Documentos de Académico
Documentos de Profesional
Documentos de Cultura
México, 2012
Temas selectos geomática: métodos y aplicaciones / coord. José Antonio Quintero
Pérez.--México, UNAM, Instituto de Geografía, 2012.
280 p.; il.; 22 cm. (Geografía para el Siglo xxi, Serie Libros de investigación, 10)
Incluye bibliografías
ISBN 970-32-2976-X
ISBN 978-607-02-3785-0
Ciudad Universitaria
Coyoacán, 04510
México, D. F.
Instituto de Geografía
www.unam.mx
www.igeograf.unam.mx
Presentación……………………………………………………………………… 9
José Omar Moncada Maya
Introducción……………………………………………………………………11
José Antonio Quintero Pérez
Bibliografía…………………………………………………………………… 257
Presentación
el que esté envuelto, pero se puede citar la primera definición con la que Bernard
Dubuisson acuñó el término: “es una disciplina que tiene por objeto la adminis-
tración y estructuración de los datos con referencia espacial e integra las ciencias
y las tecnologías ligadas al almacenamiento, el tratamiento y la difusión de esta”.
En el primer libro de geomática se tocaron aspectos teóricos e históricos
con algunos ejemplos en torno a los sistemas de información geográfica (SIG),
percepción remota (PR) y sistemas de posicionamiento global o GPS (por sus si-
glas en inglés), así como aplicaciones de los modelos digitales de terreno (MDT),
evaluación multi-criterio (EMC), abarcando temas biofísicos y socioeconómicos
desde el ordenamiento territorial hasta riesgos. En este segundo libro se presen-
tan métodos y aplicaciones que van desde el análisis espacial geoestadístico hasta
la dimensión fractal, pasando por redes neuronales, ensayos híbridos en trabajos
que involucran imágenes de alta resolución, adaptación y diseño de algoritmos
tanto en ambientes terrestres como marinos.
El capítulo de Prado y Peralta “Mosaicos ortorectificados generados a partir
de fotografías aéreas digitales de pequeño formato” nos describe el procedimiento
para la creación de mosaicos con imágenes de alta resolución espacial. Este tra-
bajo hace una descripción detallada de los procesos que involucra la utilización
de cámaras digitales de pequeño formato y sus ventajas frente a técnicas tradi-
cionales de fotografía aérea comenzando por la calibración de los instrumentos,
terminando con los puntos de control.
En el capítulo de Legorreta y colaboradores “Evaluación práctica y teórica
de los modelos de regresión logística múltiple y cartográfica-hidrológica para la
predicción de deslizamientos de tierra”, se nos habla de la predicción de poten-
ciales deslizamientos de tierra con la integración de dos modelos, el Stability
Index Mapping y regresión logística múltiple en un análisis de redes neuronales.
Este trabajo bajo condiciones naturales es contrastado con condiciones teóricas
para hacer un balance entre las ventajas y las limitaciones de cada modelo con un
ejemplo al norte del estado de California, Estados Unidos.
En el capítulo de Salmerón “Aplicaciones oceanográficas de las imágenes sa-
telitales NOAA-AVHRR y SeaStar (Orbwiew-2)-SeaWiFS en los mares mexicanos”,
se hace un repaso de los principios básicos de la percepción remota enfocándose
en oceanografía con el sensor AVHRR y SeaWiFS, mencionando algunos estudios
en México donde se han utilizado éstos en el análisis de la dinámica de la tem-
peratura superficial del mar y la concentración de clorofila a y sus implicaciones.
El capítulo de Prado y López, “Utilización de imágenes aéreas digitales de
alta resolución en la evaluación de recursos naturales”, habla de cómo evaluar
recursos naturales con imágenes de alta resolución. Muestra el potencial para
Introducción . 13
entre las fotografías aéreas y el uso de imágenes del satélite SPOT-5 para el periodo
2006-2007, consiguiendo con esto mayor precisión en la identificación de cambios.
El capítulo de Manzo, “Ajustes del algoritmo AQM2008 para identificación
de áreas quemadas usando imágenes MODIS”, presenta un algoritmo aplicado
a imágenes MODIS en el sureste de México para aéreas quemadas en 2008. La
autora hace una evaluación de su trabajo comparando MODIS con imágenes de
mayor resolución espacial utilizando los satélites SPOT y LandSat, dándonos un
panorama de la importancia de la detección de incendios y las consideraciones
para su estudio y extrapolación a otras áreas del país.
En el capítulo de Aguirre et al., “Observaciones satelitales e in situ de un
evento de marea roja en la Bahía de Navachiste, Sinaloa, México”, se describe
un evento de marea roja en las costas de Sinaloa con la ayuda de los sensores
AVHRR y SeaWiFS. Con el trabajo de campo de cuatro cruceros para muestrear
y observaciones satelitales, se describen los factores físicos y biológicos que pue-
den influir en la presencia de varias especies de dinoflagelados que provocan
esta marea.
El libro que ahora se publica, es resultado de la colaboración y el trabajo de
todos los autores que contribuyeron a su creación; gracias por su originalidad y el
tiempo que le dedicaron ya que esta publicación no existiría sin ellos.
Se agradece la colaboración de la M. en G. Ana Rosa Rosales Tapia en las
diversas tareas que implica coordinar un libro, desde su organización hasta el
respaldo de los capítulos.
El reconocimiento a los dictaminadores anónimos de todos los capítulos por
su trabajo y comentarios que indudablemente mejoraron el contenido.
Gracias a la Dra. Irasema Alcántara Ayala, tanto por su participación en el
libro, como por el apoyo para esta obra durante su gestión como directora del
Instituto de Geografía de la UNAM.
Gracias al Dr. José Omar Moncada Maya por su apoyo e impulso final para
la publicación de este libro en su papel de actual director del Instituto de Geo-
grafía de la UNAM.
Por último, gracias a la sección editorial del Instituto de Geografía de la
UNAM por su labor para sacar adelante este segundo libro de Geomática.
Sirva éste como un aporte más de la UNAM para la adquisición o el forta-
lecimiento de una cultura geoespacial, así como en nuevos conocimientos en el
campo de la Geografía.
Introducción
Las cámaras digitales de formato pequeño tienen el tamaño equivalente a una pe-
lícula de 35 mm, y se les llama así para distinguirlas de los equipos aerofotográfi-
cos convencionales que utilizan negativos de 23 x 23 cm. Estas cámaras hacen su
aparición alrededor de 1995 y su característica principal es que están equipadas
con sensores electrónicos de estado sólido CCD (Charged-Coupled Device: Dispo-
sitivo de carga acoplada), y que de inmediato fueron introducidas a las tareas de
teledetección (Mills et al., 1996). Aunque años antes ya se habían utilizado estos
mismos sensores en la adquisición de imágenes de video multiespectral (Everitt y
Escobar, 1995; King, 1992), sin embargo, la baja resolución del video convencio-
nal fue una limitante que evitó que este tipo de imágenes se utilizara de manera
extendida, caso contrario a lo que ocurrió con la fotografía digital.
En los últimos años, el uso de imágenes aéreas digitales de alta resolución,
obtenidas a partir de cámaras de formato pequeño, ha adquirido gran importancia
en la solución de varios problemas, especialmente en la evaluación de recursos
naturales (Carranza et al., 2003; Key et al., 2001; Peralta et al., 2003; Pouliot y
King, 2005; Prado y Peralta, 2005; Prado et al., 2007; Wulder et al., 2004; WWF,
2009). Estas imágenes representan ventajas significativas en comparación con
aquéllas obtenidas desde plataformas satelitales, debido a las características ya
señaladas, además de su disponibilidad casi inmediata después del vuelo.
Para el análisis de una zona amplia del territorio, es necesario contar con un
cubrimiento fotográfico que permita la formación de un mosaico. Sin embargo,
se deben corregir todas las distorsiones ocurridas durante la obtención de cada
16 . Jorge Prado Molina y Armando Peralta Higuera
Figura 1. Un ejemplo de la calidad y resolución que ofrecen las fotografías aéreas digitales de pequeño formato. A la izquierda se mues-
tra la imagen en color y a la derecha un compuesto de bandas: verde, roja e infrarroja.
Mosaicos ortorectificados generados a partir de fotografías aéreas digitales de pequeño formato . 17
una de las imágenes para lograr una representación plana de la superficie y tener
una escala uniforme a lo largo de todo el mosaico. De esta manera se hablaría de
la generación de mosaicos ortorectificados, que cuentan con la calidad pictórica
de la fotografía y la precisión de un mapa, siendo material muy valioso para una
gran variedad de estudios geoespaciales.
Las distorsiones en las imágenes aéreas se deben a tres causas principales: al
diseño intrínseco de los lentes de las cámaras y al proceso de ensamblado de las
mismas, a la distancia variable entre la aeronave y la superficie terrestre (distor-
sión por relieve) y, por último, a las desviaciones en tres ejes que sufre la aeronave
debido a irregularidades en el vuelo.
El sistema de lentes de la cámara introduce una deformación al momento de
adquirir las imágenes; que generalmente es radial simétrica, aunque también pue-
de ser descentrada o una combinación de ambas. Dichas deformaciones son mo-
deladas durante el proceso de calibración, mismo que se explicará más adelante.
De él se obtienen: la distancia focal calibrada, la localización del punto principal
y la distorsión del lente, a estos tres parámetros se les conoce como elementos de
orientación interna. Los desplazamientos por relieve se deben a las diferencias
de altura entre una zona plana del terreno y las montañas. Éstas aparentan un
mayor tamaño, debido a que se encuentran más cerca de la cámara. Para corregir
este efecto y que el mapa final tenga la misma escala en toda su extensión, es ne-
cesario utilizar un modelo digital de elevación. Finalmente, como la aeronave su-
fre movimientos y giros aleatorios durante la campaña aérea, las imágenes no son
estrictamente verticales, por tanto, es necesario conocer los ángulos de rotación
del sensor de imagen durante cada toma. Si además se adquiere la coordenada
geográfica del centro de cada imagen, se tendrá información sobre su posición en
la Tierra (georreferencia). A estos parámetros (las coordenadas del centro de toma
y los ángulos de rotación) se les conoce como elementos de orientación externa.
Todos los factores involucrados en las distorsiones pueden ser corregidos
si los parámetros de cada etapa pueden ser determinados. Para lograr esto, es
necesario entonces obtener los elementos de orientación interna y externa, al me-
nos tres puntos de control terrestre por imagen, así como un modelo digital de
elevación. Toda esta información es relevante para reconstruir las características
geométricas (posición y orientación) del momento exacto de la toma con res-
pecto a un sistema de ejes terrestre en tres dimensiones y así poder corregir las
distorsiones y obtener imágenes con características métricas. A partir de ellas se
obtienen los mosaicos ortorectificados que, como todo mapa, tienen un determi-
nado error. Lo importante es considerar su magnitud, para saber cuáles son las
limitaciones de su utilización.
18 . Jorge Prado Molina y Armando Peralta Higuera
Imágenes multiespectrales
Una imagen multiespectral está formada por diferentes bandas de datos o mul-
ticapas que contienen la información espectral de los objetos observados. Para su
despliegue visual, las bandas pueden ser combinadas de diferente manera para
observar diversas cosas, facilitando así la interpretación (Figura 2).
Todos los materiales reflejan, transmiten y absorben la luz incidente a diversas
longitudes de onda de manera selectiva, por tanto, exhiben un color característico
al ojo humano. El color de la vegetación dice mucho sobre ella, incluyendo su clase
taxonómica y su estado fisiológico. Por esta razón, las imágenes satelitales multies-
pectrales han sido utilizadas con gran éxito durante muchos años para elaborar
mapas de vegetación (véase por ejemplo NASA, 2011). En nuestro caso se utiliza la
imagen en color con tres bandas (RGB) y una adicional en IR (950-1100 nm). Las
cámaras están acopladas y alineadas, de tal manera que ambas capturan aproxima-
damente la misma escena, teniendo una cobertura muy parecida sobre el terreno.
Para formar un compuesto en falso color es necesario primero ajustar el tamaño de
las imágenes visible e IR, esto se debe a que normalmente no se usa el mismo tipo
de cámara y lente para ambas. El ajuste se logra al sobreponer encima de la visible
la imagen IR con 50% de trasparencia para ver a través de ella, y enseguida realizar
los cambios de tamaño por zonas e inclusive hacer alguna rotación hasta lograr
ensamblarlas adecuadamente. Una vez completado este paso, hay que añadir a las
capas RGB un canal Alpha y copiar en él la imagen infrarroja ajustada, después
hay que copiar el canal verde y pegarlo sobre el azul, copiar el rojo y pegarlo sobre
el verde y, por último, copiar el canal Alpha y pegarlo en el rojo. Esto da como
resultado lo que se conoce como un compuesto en falso color de cuatro bandas.
Un ejemplo de una imagen en color y una compuesta se muestran en la Figura 1.
Antena
GPS 2
GPS necesario para efectuar un
Georeferencia
Cámaras digitales
de imágenes
Corrección
levantamiento aéreo, con
diferencial
GPS 1
cámaras de pequeño forma-
Navegación to en color e infrarrojo (IR).
Georeferencia
Laptop
Color visible
Disparo
automático
IR cercano
Tarjetas de memoria
y almacenamiento externo Intervalómetro
Inversor
12 VDC-120 VAC
Batería
12 VDC
El plan de vuelo
terpretación, siendo esta una ventaja muy importante de la foto aérea digital con
respecto a las imágenes de satélite, que en muchos casos no tienen esta disponi-
bilidad. Es muy importante considerar la resolución que se necesita para resol-
ver el problema que se afronta, generalmente, la tendencia es querer obtener un
tamaño de píxel cada vez menor, sin embargo, hay que tomar en cuenta todos los
factores involucrados. Un tamaño de píxel menor implica un mayor número de
imágenes que procesar. Lo mismo pasa con la sobreposición, si ésta va más allá
de los valores recomendados, se tendrá un exceso de imágenes y no necesaria-
mente una cobertura óptima, porque hay que estar seleccionando y descartando
determinadas imágenes al momento de formar las líneas para el mosaico. Ade-
más de la resolución espacial, también hay que considerar cuál es la resolución
temporal (i.e. el tiempo entre levantamientos aéreos) más apropiada para dar
seguimiento al fenómeno en estudio.
Tamaño de pixel
en el terreno
H = ƒ
( Pixelµ )
Res (1b)
cargar los recorridos (tracks) efectuados y compararlos contra las líneas de vuelo
planeadas (Figura 6).
Captura de imágenes
Para este proceso es ampliamente recomendable contar con una plataforma es-
tabilizada, ya sea dentro o fuera de la aeronave. Esto permite lograr que las fo-
tografías sean tomadas de manera vertical, lo que ayuda a reducir parte de las
distorsiones causadas por los movimientos inevitables que sufre la aeronave al
realizar los transectos sobre la zona en estudio. Algunos autores han desarrollado
sus propias plataformas estabilizadas (Hui-Sheng y Li-Min, 2010; Jiang y Qi,
2009; Prado et al., 2006) y algunos otros utilizan las convencionales de cámaras
aerofotográficas adaptadas para las de pequeño formato para lograr el mismo
propósito. Las plataformas aéreas estabilizadas son deseables, mas no indispen-
sables, se puede llevar a cabo un levantamiento aéreo prescindiendo de estos
dispositivos. Lo mismo se puede decir de las unidades de medición inercial, que
proporcionan los ángulos de orientación de cada imagen (Prado et al., 2006), en
la mayoría de los casos su alto costo las hace prohibitivas y esto va en contra de
la filosofía de la utilización de la imagen aérea digital de pequeño formato, cuya
principal característica es el bajo costo.
Por otra parte, también es recomendable tener a bordo un programa de apo-
yo para el monitoreo y el manejo del proceso de obtención de las imágenes,
particularmente cuando se efectúan vuelos de varias horas, situación que es muy
deseable para aprovechar las condiciones favorables del tiempo. El cansancio y las
condiciones ambientales adversas, como la falta de oxígeno a alturas de vuelo a
12 000 pies o mayores, causan que el operador pueda perder la cuenta de las
líneas ya realizadas, situación que se acentúa si por alguna razón tuvo que aban-
donar y retomar una o más de las líneas, por cuestiones de fallas de equipo o de
tráfico aéreo. Un programa de monitoreo como el que se presenta enseguida, es
utilizado para llevar a cabo la planeación del vuelo y efectuar un seguimiento
durante la campaña aérea (Bermúdez y Martínez, 2001). Éste ha sido escrito en
Visual Basic y representa una mejoría importante en cuanto a eficiencia en lo que
a captura de imágenes se refiere. Este programa permite almacenar y desplegar en
pantalla un mapa base, una imagen de satélite o algún otro elemento cartográfico
como apoyo durante la realización del vuelo. Esto posibilita el ubicar geográfica-
mente de una manera rápida al operador dentro de la zona de vuelo (Figura 7).
En la etapa de planeación se deben introducir los datos básicos del vuelo
como: resolución sobre el terreno, altura de vuelo, número de píxeles de la cáma-
ra, traslape longitudinal y entre líneas, el mapa base de referencia, la distancia
focal calibrada, las coordenadas extremas de la zona de vuelo, etcétera.
Calibración de la cámara
Ater
Lente
Sensor A
B H
Distancia Focal f B´
f
A X CCD Sensor
Figura 8. Arreglo utilizado para la calibración de la cámara y medidas realizadas para calcu-
lar la distancia focal real del lente.
30 . Jorge Prado Molina y Armando Peralta Higuera
ƒ XCCD
= (2)
H Ater
donde:
f es la distancia focal,
H es la distancia al objeto (altura de vuelo),
XCCD es el ancho del sensor,
Ater es el ancho del patrón de pruebas (cobertura horizontal de la imagen
sobre el terreno).
donde:
Corrección geométrica
Durante este proceso es importante mencionar que el ajuste por desplazamiento
del punto principal es aplicado en conjunto con la corrección de la distorsión
del lente; de esta manera se logran corregir geométricamente las imágenes, elimi-
nando las deformaciones producidas por la cámara (Ibid.).
A partir de una imagen original con distorsiones (Figura 9), se procede a
la corrección de la misma (Figura 10). El programa encargado de esta tarea hace
los cálculos para reacomodar cada uno de los píxeles, es decir, se hace un co-
rrimiento para que dicha imagen quede corregida. Se obtiene la distancia desde
el origen de coordenadas, para ese píxel en específico, y junto con él se calcula
Procesamiento de imágenes
Una vez que el vuelo se ha realizado, las imágenes originales son respaldadas,
rotadas, re-etiquetadas y renombradas. Se mejoran el contraste, el brillo y el ba-
lance de color, a través de la manipulación del histograma, asegurando que en
cada paso las características del terreno sean resaltadas. La vegetación es ajustada,
evitando la exageración de los colores y la introducción de artefactos en las imá-
genes. La función gradiente es aplicada para reducir las diferencias en la ilumi-
nación debido a los inevitables retrasos que ocurren entre líneas de vuelo durante
la campaña aérea. Con estos procedimientos se obtienen imágenes con mejores
características para llevar a cabo una interpretación más precisa.
Aerotriangulación
La triangulación es el proceso por el cual se define la relación matemática en-
tre un bloque de imágenes, el sensor y el terreno. Una vez definida esa relación
geométrica, es posible crear imágenes e información precisa con respecto a la
superficie terrestre. Es durante este proceso que se completan los parámetros de
orientación externa que no se tienen (omega, phi, kappa).
La triangulación en bloque considera simultáneamente lo siguiente:
1. Cuando tenga al menos tres puntos de control en cada una de las imá-
genes, oprima el botón para efectuar la triangulación (triángulo azul
en la Figura 13). Si se requiere de más puntos, el programa lo indicará,
especificando la imagen en la que hacen falta.
2. Revise el resultado de la triangulación y evalúe la conveniencia de intro-
ducir más puntos de control o de amarre. Verifique si la triangulación
converge y cuál es el valor del error cuadrático medio (RMS), que es la
distancia entre la ubicación de entrada de un punto de control (la que
proviene del mapa de referencia) y la ubicación de salida del mismo pun-
to, o bien, la diferencia entre la coordenada real del punto de control y
la coordenada deseada de salida (Figura 12). Si este número es elevado,
se debe buscar dónde ocurrieron los errores, corregirlos e introducir más
puntos de amarre. Dependiendo de las características de cada proyecto,
el objetivo es lograr un error menor a 1 píxel, esto es para tener un po-
sicionamiento lo mejor posible de los objetos dentro del mapa, aunque
en algunos casos es difícil lograr que sea menor a 5 o 6 píxeles en zonas
montañosas. Esto se debe a que las distorsiones son mayores en esta área y
por tanto, difíciles de compensar, aunado al nivel de error del modelo di-
gital de elevación utilizado (imagen raster con tamaño de píxel de 30 m).
38 . Jorge Prado Molina y Armando Peralta Higuera
Ortocorrección de imágenes
La ortorectificación u ortocorrección consiste en cambiar la proyección central
de la imagen de una superficie, en líneas de proyección perpendiculares (proyec-
ción ortogonal), eliminando la distorsión causada por las variaciones del terreno
fotografiado. El resultado se conoce como ortoimagen u ortofotografía. En este
paso se hace la ortocorrección a cada imagen individual.
Discusión
menor que en otros casos (i.e. 5 o 6 m), esto ha sido a expensas de llevar a cabo
costosas campañas de obtención de puntos GPS en campo.
Un factor muy importante para lograr un error aceptable en la generación de
los ortomosaicos son las ortofotos de INEGI, que proporcionan los puntos de con-
trol terrestre para georreferenciar y efectuar la aerotriangulación. Otro elemento
esencial para mantener el error reducido es el uso del programa ERDAS OrtoBA-
SE™, a través de sus procesos bien establecidos y su flexibilidad operativa. Este
programa proporciona el valor RMS del error, que se toma como referencia para
establecer la precisión final que tiene el mapa. Una prueba de confiabilidad sobre
este parámetro se llevó a cabo en 2005, cuando se obtuvieron alrededor y dentro
del campus de Ciudad Universitaria, 135 puntos de control geodésico (Prado y
Peralta, 2005). Todos estos puntos se utilizaron en el proceso para generar un
mosaico ortorectificado de la zona en estudio, la cual abarcó un área de 7 km2,
con imágenes con tamaño de píxel de 20 cm y con un error de posición de
45 cm. Esta densidad de puntos permitió hacer comparaciones en diferentes zo-
nas del ortomosaico demostrando la confiabilidad en la magnitud del error entre-
gado por el programa. Los puntos en el ortomosaico fueron también comparados
contra una imagen ortorectificada de INEGI, de tal manera que se tuvieron dos
fuentes de información para cotejar los resultados (Peralta et al., 2005).
Una de las aplicaciones principales de este tipo de sistemas de adquisición de
imágenes, es la evaluación de recursos naturales. En estos casos es más importan-
te diferenciar las especies vegetales y conocer su estado fisiológico, que saber su
ubicación exacta, aunque cada proyecto es diferente y se deben determinar cuáles
Mosaicos ortorectificados generados a partir de fotografías aéreas digitales de pequeño formato . 43
son los parámetros más relevantes en cada uno de ellos. No obstante, los mapas
generados con el método aquí presentado se catalogan en algunos casos como
CLASE 1, según los estándares de la American Society for Photogrammetry and
Remote Sensing (ASPRS, 2007), que establece, por ejemplo, que para un mapa a
escala 1:4 000 el error en horizontal (X,Y) debe ser de 1 m.
Finalmente, en la Tabla 1 se presenta una comparación de costos entre di-
ferentes tipos de imágenes, obviamente, no en todos los casos la foto digital de
pequeño formato es la mejor opción. Es necesario evaluar cada proyecto en par-
ticular y tomar la decisión que más convenga. Por ejemplo, para las dependencias
gubernamentales y educativas de México están disponibles las imágenes de SPOT
de manera gratuita (ERMEXS, 2012), esta es una opción que hay que considerar
si la resolución es la adecuada para el proyecto. Sin embargo, si no se pertenece a
ninguna dependencia de gobierno o educativa, el precio de una escena completa
de SPOT es de € 8,000 (ASTRIUM, 2012).
Conclusiones
(m)
Costo
(km2)
(MX$)
Bandas
Moneda
Área km2
IMAGEN
de compra
Costo km2
Resolución
enero 2012
Costo MX$
Área mínima
(m)
Costo
(km2)
(MX$)
Bandas
Moneda
Área km2
IMAGEN
de compra
Costo km2
Resolución
enero 2012
Costo MX$
Área mínima
Pan: 0.82
Ikonos (EUA) US$ $25.00 $329 1 $329.2 Multi: Pan, R+G+B+IRc 100
3.2
Escena FORMOSAT-2 Pan:2
€ $2 625 $45 018 576 $78.16 Pan, R+G+B+IRc 576
(Taiwan) Multi: 8
Fotografía Aérea Digital MX$ $86 700 $86 700 400 $216.7 0.2 R+G+B+IRc 10
de pequeño formato
Ortomosaico de
Fotografía Aérea Digital MX$ $120 000 $120 000 400 $300 0.2 R+G+B+IRc 10
de pequeño formato.
Ortofotografía Aérea
Analógica (archivo, MX$ $173 250 $173 250 864 $200 2 Pancromático
2006)
Ortofotografía Aérea MX$ $118 720 $118 720 366 $324.3 0.4 R+G+B
Analógica
Mosaicos ortorectificados generados a partir de fotografías aéreas digitales de pequeño formato . 45
Capítulo 2. Evaluación práctica y teórica
de los modelos de regresión logística múltiple
y cartográfica-hidrológica para la predicción
de deslizamientos de tierra
Gabriel Legorreta Paulín
Laboratorio de Análisis Geoespacial, Instituto de Geografía
Universidad Nacional Autónoma de México
Marcus Bursik
Department of Geology, University at Buffalo
Introducción
Parise, 2001; Pasuto y Soldati, 1999; Qin et al., 2002a, b; Tobutt, 1982; Zhou et
al., 2003).
Sin embargo, se ha detectado una importante limitación en las aplicaciones
de los SIG en cuestiones de evaluación de estabilidad. Ésta se encuentra asociada
con la inexistente comparación sistemática de los métodos utilizados, tanto en
condiciones naturales como bajo escenarios teóricos para describir las ventajas
y limitaciones de los métodos para modelar la distribución espacial de dichos
movimientos. La falta de una comparación sistemática de los modelos de desliza-
miento a diferentes escalas cartográficas, resoluciones de los modelos digitales de
elevación (MDE), estrategias de muestreo y tipo de deslizamientos a estudiar, no
solo compromete la confiabilidad de los modelos sino que conduce al abuso de
los mismos. Esto es especialmente cierto para la validación de modelos en con-
diciones naturales en la que los problemas de resolución de píxel, interpolación,
definición del tipo de deslizamiento, así como la incomprensión de los requisitos
del modelo, el cálculo incorrecto y/o estimación de los parámetros topográficos,
hidrológicos y del suelo, comprometen la eficiencia del modelo y ocultan el hecho
de que un modelo puede ser una burda especificación de la realidad
A fin de evaluar las anteriores deficiencias en las aplicaciones de los SIG en
la modelación de deslizamientos de tierra, en este estudio se aplica LOGISNET
(desarrollado mediante el uso de macros (AML) del programa de SIG ArcInfo
workstation) como una herramienta para comparar y contrastar las ventajas y
limitaciones de la regresión logística múltiple (RLM), y de un enfoque cartográ-
fico-hidrológico (SINMAP). Por razones de organización, se utiliza la siguiente
nomenclatura: LOGISNETSINMAP para la versión mejorada de SINMAP dentro de
LOGISNET y LOGISNETRLM para la versión incorporada de RLM en LOGISNET.
Estos dos enfoques son seleccionados por las siguientes razones.
RLM no tiene significado físico, pero su enfoque estadístico está diseñado
para predecir la probabilidad de deslizamientos. RLM supera los problemas de
relaciones no lineales mediante una transformación logarítmica. Además, la fun-
ción logística asemeja el comportamiento de los deslizamientos (DeMaris, 1992;
Field, 2005; Menard, 2002; Ohlmacher y Davis, 2003).
SINMAP utiliza una aproximación determinística cartográfica e hidrológi-
ca, que combina la teoría de un modelo hidrológico (Beven y Kirkby, 1979;
O’Loughlin, 1986) y de un modelo de estabilidad de pendiente-infinita del factor
de seguridad (Hammond et al., 1992) para predecir zonas potenciales de desliza-
mientos mediante el uso de un índice de estabilidad (IE). El enfoque toma plena-
mente en cuenta el control topográfico a través del flujo de agua subterránea poco
profunda en la generación de deslizamientos (Montgomery y Dietrich, 1994;
Evaluación práctica y teórica de los modelos de regresión logística múltiple y… . 49
Antecedentes
En el pasado se han hecho esfuerzos para crear, probar y validar los modelos
de susceptibilidad a deslizamientos de tierras (Borga et al., 2002a, b; Chinna-
yakanahalli et al., 2003; Dietrich et al., 2001; Lan et al., 2004; Montgomery
y Dietrich, 1994; Morrisey et al., 2001; Pack et al., 1997, 1998, 2001; Wawer y
Nowocień, 2003; Winsemius et al., 2005; Zaitchik et al., 2003). Sin embargo,
la evaluación de un modelo es difícil de realizar debido a la complejidad de pro-
50 . G. Legorreta, M. Bursik, F. Aceves, L. M. Paredes, J. Lugo, I. Alcántara y J. López
forma sigmoidal que puede ser interpretada como de riesgo mínimo de un área
a sufrir deslizamientos cuando la función tiene valores bajos y ésta se mantiene
como de bajo riesgo hasta que cierto umbral es alcanzado, entonces la probabili-
dad de deslizamientos aumenta rápidamente conforme los valores de la función
se incrementan (Kleinbaunm y Klein, 2002). Este modelo tiene la ventaja sobre
otras técnicas estadísticas multivariables en el hecho de que la variable depen-
diente solo puede tener dos valores –un evento ocurre o no ocurre (Ohlmacher y
Davis, 2003). En este sentido, un deslizamiento de tierra es categorizado como 1
o 0, o como una zona con deslizamientos o sin deslizamientos de tierra. La pro-
blemática de la falta de una relación lineal entre variables es superada por la RLM
mediante el uso de la transformación logarítmica.
En el caso de SINMAP, su evaluación en condiciones naturales es escasa y ha
llevado a la afirmación de que SINMAP define bastante bien las zonas que intuitiva-
mente parecen ser susceptibles a deslizamientos (Deb y ElKadi, 2009; Meisina y
Scarabelli, 2007; Morrisey et al., 2001). En estos trabajos se insiste en que SINMAP
tiene que ser alimentado con parámetros geotécnicos calibrados y con MDE pre-
cisos para tener éxito en la predicción (Pack et al., 1998; Wawer y Nowocień,
2003). Por ejemplo, Witt (2004) encuentra una subestimación de los desliza-
mientos de tierras cuando se usan datos no calibrados. El uso de parámetros ca-
librados mejora la asignación de clases pero, incluso con datos calibrados, existen
ciertos problemas, entre los cuales cabe destacar el exceso de predicción de áreas
de deslizamientos y la falta de cambio en la predicción de áreas de deslizamientos
con el aumento de la recarga de agua (Morrisey et al., 2001; Witt, 2004). Por
otra parte, también Legorreta y Bursik, (2006) demuestran que SINMAP pierde
información cerca de las fronteras e incluso dentro del MDE.
En el caso de RLM, su evaluación en condiciones naturales ha llevado a la
afirmación de que RLM es bastante exitoso en la identificación de laderas donde
se han observado deslizamientos superficiales. Este éxito es posible si se utiliza
una estrategia de muestreo adecuada, y se seleccionan las variables que estén más
estrechamente relacionadas con los deslizamientos de tierra de un área (Ayelew
y Yamagishi, 2005; Bai et al., 2010; Can et al., 2005; Ohlmacher y Davis, 2003;
Van Den Eeckhaut et al., 2010; Yesilnacar y Topal, 2005;).
En la mayoría de los trabajos que utilizan RLM o SINMAP se emplean datos
geotécnicos extraídos del la zona de cabecera o depleción del deslizamiento y no
del depósito o de la zona de evacuación, pues estos últimos son afectados y mo-
dificados por otros deslizamientos que también aportan material. La zona de de-
pleción es considerada la zona de inicialización y de aporte del material, mientras
52 . G. Legorreta, M. Bursik, F. Aceves, L. M. Paredes, J. Lugo, I. Alcántara y J. López
Materiales y métodos
a) b) x=7100
y=7900
0
230
75
23
400
2350
2
x=6300
intervalo de 5m y=7200 intervalo de 25m
intervalo de 5m
Km m
0 5 0 500
a) b)
7100 7100
7000 7000
6900 6900
6800 6800
6700 6700
6600 6600
6500 6500
6400 m 6400 m
0 500 0 500
6300 6300
7200 7300 7400 7500 7600 7700 7800 7900 7200 7300 7400 7500 7600 7700 7800 7900
Figura 2. Vista planimétrica del MDE temporal y definitivo con resolución de 1 m. a) Repre-
sentación de la rotación temporal del MDE a 1 m de resolución usado para generar los MDE
teóricos a 1, 5, 10 y 30 m, respectivamente. b) MDE suavizadas por el filtro de paso bajo. El
suavizado del MDE proporciona la base para analizar el comportamiento de los modelo en
laderas sin deslizamientos.
ción. Para propósitos de identificación, los nombres de los MDE se dan en función
a su resolución horizontal: MDE1m, MDE5m, MDE10m y MDE30m (Figura 3).
El deslizamiento superficial es de 20 m de largo y 10 m de ancho y tie-
ne un escarpe de 1.6-3.5 m de profundidad. El deslizamiento de asentamiento-
profundo es de 120 m de largo por 50 de ancho y tiene un escarpe de 6-15 m de
profundidad. Se asume que todas las propiedades geotécnicas son las mismas a
lo largo de las laderas del MDE. Para LOGISNETSINMAP, un punto único de mues-
treo se coloca en el escarpe del deslizamiento de asentamiento-profundo. Las
propiedades geotécnicas del punto de muestreo (Tabla 2) se establecen con base
en valores publicados para un suelo pardo volcánico limo-arenoso que tiene 1 m
de espesor con baja a moderada permeabilidad (Simon et al., 2000; Simon y Co-
llison, 2002; Wawer y Nowocień, 2003; Legorreta, 1999; Selby, 1993). Ningún
punto de muestreo se coloca en el deslizamiento superficial ya que los valores
geotécnicos ocurren en toda el área del mapa.
LOGISNETRLM es implementado usando el método de RLM “backward” (re-
trospectivo). El método “backward” se refiere a examinar las variables dentro del
56 . G. Legorreta, M. Bursik, F. Aceves, L. M. Paredes, J. Lugo, I. Alcántara y J. López
a) b) c)
5
237
0
235
5
232
00
23
m 0 m 100 0 m 500
0 500
d) e) f) g)
MDE1m MDE5m MDE10m MDE30m
m m m m
0 100 0 100 0 100 0 100
modelo para ver si alguna(s) de ella(s) debe(n) de ser eliminada(s). La RLM con el
método “backward” comienza el modelo con todas las variables independiente y
las va probando para ver cuál de éstas puede ser removida del modelo sin tener un
efecto sustancial sobre lo bien que el modelo se ajusta a los datos observados (Field,
2005). Se emplearon las mismas 13 variables independientes que LOGISNETSINMAP
utiliza, a fin de compararlo con LOGISNETRLM, éstas son: el MDE con corrección
de depresiones falsas (MDECDF), la dirección del flujo, la pendiente, el área de
contribución del flujo, la saturación, la densidad del suelo, el espesor del suelo,
el valor mínimo y máximo de transmisividad/lluvia total, la cohesión mínima y
máxima y el ángulo de fricción interna mínimo y máximo. Además, la probabi-
lidad de deslizamiento fue calculada mediante el uso de una muestra aleatoria de
igual número de píxeles para las zonas con y sin deslizamientos. Los porcentajes
del muestreo aleatorios para LOGISNETRLM fueron basados en la disponibilidad de
píxeles en las diferentes resoluciones (Tabla 3).
Con la muestra aleatoria a diferentes resoluciones, el análisis de multicoli-
nealidad y de regresión logística múltiple (RLM) se llevó a cabo. El diagnóstico
Evaluación práctica y teórica de los modelos de regresión logística múltiple y… . 57
Punto de Muestreo 1
MDE 1 m, 5 m, 10 m y 30 m
Capa del suelo (m) 1
Gravedad (m/s2) 9.81
Densidad del agua (kg/m3) 1 000
Densidad del suelo (kg/m3) 1 850
T/R Min (m) 1 259
T/R Max (m) 2 500
Cohesión Min (sin unidades*) 0.14
Cohesión Max (sin unidades*) 0.25
Phi Min (°) 30
Phi Max (°) 32
Espesor del suelo (cm) 100
Ponderación del usuario 1
* LOGISNETSINMAP requieren un factor de cohesión sin dimensión como entrada, que se obtiene divi-
diendo la cohesión (Pa) por la gravedad (m/s2), la densidad del suelo (kg/m3) y espesor del suelo (m).
Tabla 3. Proporción de píxeles con deslizamiento y sin deslizamiento bajo diferentes tamaños
de píxeles
WSig
Exp(β)
Variable
Coeficiente
Inferior
Superior
Error estándar
Prueba de Wald
Grados de libertad
Interceptor 6.224 2.146 8.410 1 0.004 5.046E+02
Pendiente -0.154 0.032 22.914 1 0.000 0.857 0.805 0.913
Saturación -2.494 0.964 6.689 1 0.010 0.083 0.012 0.547
Cohesión 0.079 0.026 9.428 1 0.002 1.082 1.029 1.138
min.
Forma 1 / {1 +Exp-[-2.525 + Pendientes (-0.154) + Saturación (-2.496) + Cohesión mínima (0.079)]}
logística
Prueba de Hosmer and
Modelo Lemeshow
RLM probabilidad
0 - 0.1
0.1 - 0.2
Índice de estabilidad 0.2 - 0.3
0.3 - 0.4
Zona estable
0.4 - 0.5
Flujo de escombros Zona moderadamente estable
0.5 - 0.6
Zona casi-estable
Deslizamiento de escombros 0.6 - 0.7
Zona de umbral más bajo de estabilidad
Flujo de tierra 0.7 - 0.8
Zona de umbral más alto de estabilidad
Deslizamiento de rocas 0.8 - 0.9
Zona de pendiente defendida o inestable
0.9 -1
Sin información
km 0 km 4 0 km 4
0 4
62 . G. Legorreta, M. Bursik, F. Aceves, L. M. Paredes, J. Lugo, I. Alcántara y J. López
Figura 5. Mapa del inventario de deslizamientos y la predicción de los modelos LOGISNETSINMAP y LOGISNETRLM.
Evaluación práctica y teórica de los modelos de regresión logística múltiple y… . 63
medio de una tabla cruzada entre el resultante mapa de los modelos y el mapa
del inventario de deslizamientos. La Tabla 5 muestra la precisión del productor
(Produce’s accuracy), ésta representa la razón entre el número de píxeles clasifi-
cados correctamente en cada categoría y el número total de píxeles verdaderos
para esa categoría), la precisión del usuario (User´s accuracy), calculada como la
razón entre el número de píxeles correctamente clasificados en cada categoría y el
número total de píxeles que están clasificados por el modelo en esa categoría, y la
eficiencia del modelo (Model efficiency), calculado como la razón del número de
píxeles indicados correctamente como píxeles de deslizamiento menos el número
de píxeles indicados incorrectamente como píxeles de deslizamiento de tierra
entre el número total de los píxeles que representan verdaderos deslizamientos en
el mapa del inventario de deslizamientos. La eficiencia del modelo tiene un valor
máximo de 1 cuando el modelo ha indicado todos los deslizamientos de tierra
correctamente, y tiene un valor negativo cuando el número de deslizamientos de
tierra incorrectamente indicados por el modelo es mayor que el número de des-
lizamientos de tierra correctamente predecido (Van Den Eeckhaut et al., 2005;
Tabla 5).
La precisión del productor muestra que la predicción de LOGISNETRLM tie-
ne mejor coincidencia (79.91%) con el mapa del inventario de deslizamientos
en comparación con LOGISNETSINMAP (46.49%). Ambos modelos tienen un bajo
porcentaje de píxeles de deslizamiento de tierra que efectivamente representan los
deslizamientos en el mapa del inventario de deslizamientos (precisión de usua-
rio). El coeficiente Kappa para LOGISNETRLM posee un valor de 0.6658, lo que
indica que las clasificaciones son 66.58% mejores que las esperables al azar. Por
su parte, LOGISNETSINMAP posee un valor de 0.3317, lo que indica que las clasifi-
caciones son muy cercanas al azar. Los dos modelos predicen más píxeles de des-
lizamiento incorrecta que correctamente (eficiencia del modelo). LOGISNETRLM
Tabla 5. Precisión del productor, precisión del usuario y eficiencia del modelo
LOGISNETSINMAP LOGISNETRLM
(con datos de campo) (Método ”bakcward”)
Área de deslizamiento Área de deslizamiento
Precisión del productor 46.49 79.91
Precisión del usuario 17.49 17.43
Eficiencia del modelo -1.73 -2.99
Índice Kappa 0.3317 0.6658
64 . G. Legorreta, M. Bursik, F. Aceves, L. M. Paredes, J. Lugo, I. Alcántara y J. López
100000
Deslizamiento 10484 Deslizamiento
10000 superficial de asentamiento-profundo
#PIXELES
Figura 6. Efecto de la agregación de píxeles en el número de píxeles para representar los des-
lizamientos superficiales y de asentamiento-profundo.
66 . G. Legorreta, M. Bursik, F. Aceves, L. M. Paredes, J. Lugo, I. Alcántara y J. López
{
{
{ ÍNDICE DE ESTABILIDAD
Zona estable
Zona moderadamente estable
Zona casi-estable
RLM probabilidad
0 - 0.1
0.1 - 0.2
0.2 - 0.3
0.3 - 0.4
Zona de umbral más bajo de estabilidad
0.4 - 0.5
Zona de umbral más alto de estabilidad 0.5 - 0.6
Zona de pendiente defendida o inestable 0.6 - 0.7
Sin información 0.7 - 0.8
0.8 - 0.9
Deslizamiento Deslizamiento
0.9 - 1
Deslizamiento
Tamaño
{
Sin Deslizamiento Sin Deslizamiento Sin Deslizamiento
de pixel
a) b) c) d) e)
1m
{
e) f) g) h) i)
5m
{
j) k) l) m) n)
10m
{
o) p) q) r) s)
30m
Figura 7. a), e), j), y o) Mapa del inventario de deslizamientos con una resolución de 1 m, 5,
10 y 30 m. b), f), k), y p) LOGISNETSINMAP con una resolución de 1, 5, 10 y 30 m y con sus seis
clases de IE. c), g), l), y q) LOGISNETSINMAP con una resolución de 1, 5, 10 y 30 m y con un
esquema de clasificación de dos clases. d), h), m) y r) modelos LOGISNETRLM con una resolu-
ción de 1, 5, 10, 30 m y con diez clases de probabilidad. e), i), n) y s) modelos LOGISNETRLM
a 1, 5, 10 y 30 m y con un esquema de clasificación de dos clases.
Tabla 6. Coeficientes, forma logística, y conjunto de estadísticas usadas en LOGISNETRLM con el MDE1m y con un esquema de
muestreo aleatorio del 2%
WSig
Exp(β)
Variable
Coeficiente
colinealidad
Inferior
Error estándar
Estadísticas de
Superior
Prueba de Wald
Grados de libertad
Interceptor 36.085 11.813 9.331 1 0.002 4.692E+15 VIF
MDECDF -0.015 0.005 8.582 1 0.003 0.985 0.976 0.995 1.024
Pendiente 4.449 0.608 53.601 1 0.000 85.506 25.989 281.326 1.178
Área de
contribución -1.931 0.228 71.798 1 0.000 0.145 0.093 0.227 1.097
de flujo
Saturación 2.102 0.797 6.952 1 0.008 8.185 1.715 39.061 1.081
Forma 1 /{ 1 +Exp-[36.085 + MDECDF (-0.015) + Pendientes (4.449) + Área de contribución de flujo (-1.193) +
logística Saturación (2.102)]}
Modelo Prueba de Hosmer and Lemeshow
68 . G. Legorreta, M. Bursik, F. Aceves, L. M. Paredes, J. Lugo, I. Alcántara y J. López
WSig
Exp(β)
Inferior Superior
Variable
Coeficiente
colinealidad
Error estándar
Estadísticas de
Prueba de Wald
Grados de libertad
Interceptor -58.890 18.249 10.413 1 0.001 2.656E-26 VIF
Pendiente -44.735 14.639 9.339 1 0.002 0.000 0.000 0.000 4.089
Área de
contribución 50.512 15.297 10.903 1 0.001 8.653E+21 8.243E+08 9.083E+34 2.370
de flujo
Saturación -107.751 32.133 11.245 1 0.001 0.000 0.000 0.000 3.490
Forma 1 / {1 +Exp-[-58.890 + Pendientes (-44.735) + Área de contribución de flujo (50.512) + Saturación (-107.751)]}
logística
Modelo Hosmer and Lemeshow Test
WSig
Exp(β)
Variable
Inferior Superior
Coeficiente
colinealidad
Error estándar
Estadísticas de
Prueba de Wald
Grados de libertad
Interceptor 41.987 26.486 2.513 1 0.113 1.717E+18 VIF
MDECDF -0.019 0.011 2.721 1 0.099 0.981 0.959 1.004 1.201
Pendiente 4.895 1.378 12.613 1 0.000 133.630 8.967 1991.309 1.996
Forma 1 /{ 1 +Exp-[41.987 + MDECDF (-0.019) + Pendientes (4.895)]}
logística
Modelo Hosmer and Lemeshow Test
WSig
Exp(β)
Inferior Superior
Variable
Coeficiente
colinealidad
Error estándar
Estadísticas de
Prueba de Wald
Grados de libertad
Interceptor 218.821 124.764 3.076 1 0.079 1.079E+95 VIF
MDECDF -0.097 0.055 3.106 1 0.053 0.908 0.815 1.011 2.049
Pendiente 14.622 7.552 3.749 1 0.079 2239386.196 0.836 6.000E+12 3.163
Forma 1 /{ 1 +Exp-[218.821 + MDECDF (-0.097) + Pendientes (14.622)]}
logística
Modelo Hosmer and Lemeshow Test
% Total de -2log Cox & Nagelkerke Grados de Grados de
clasificación likelihood Snell R 2 Chi2 Significancia Chi2 HLSig.
R2 libertad libertad
76.471 15.886 0.361 0.482 7.622 2 0.022 4.663 7 0.701
Evaluación práctica y teórica de los modelos de regresión logística múltiple y… . 71
72 . G. Legorreta, M. Bursik, F. Aceves, L. M. Paredes, J. Lugo, I. Alcántara y J. López
y las pruebas que se llevaron a cabo para validar al modelo. Se muestra el in-
terceptor β y los coeficientes β. Los valores de los coeficientes β representan la
contribución de las variables independientes a las variaciones en la variable de-
pendiente. En el análisis de LOGISNETRLM, el interceptor β y los coeficientes β
se estiman por la Estimación de Máxima Verosimilitud (Kleinbaum y Klein,
2002). En el caso de la resolución de 1 m, los valores del “WSig.” (importancia
de la prueba de Wald en la Tabla 6) de la altimetría, la pendiente, el área de
contribución y la saturación son menores a 0.05, lo que significa que las variables
contribuyen significativamente al modelo.
En la Tabla 6 también se muestran las razones de probabilidades (Exp (β))
y sus intervalos de confianza superior e inferior (95% IC Exp (β)). En este caso,
ninguno de los valores del intervalo de confianza para cada una de las cuatro
variables atraviesa el valor de 1.
Los valores no significativos de la prueba de Hosmer y Lemeshow (HLSig. en
la Tabla 6) para las cuatro variables muestran que LOGISNETRLM puede predecir el
mundo real con certeza. Una correlación parcial entre las variables dependientes
e independientes es calculada con la prueba de R 2 de Cox y Snell y Nagelkerke
(Field, 2005). En este ejemplo, los dos valores de R 2 (0.400 y 0.533) indican que
entre el 40 y el 53.3% de la variabilidad de deslizamientos puede ser explicada
por las variables altimetría, pendiente, área de contribución y saturación.
La Tabla 10 muestra la evaluación de los dos modelos en términos de la pre-
cisión del productor y del usuario y de la eficiencia del modelo. A 1 m de resolu-
ción, la precisión del productor muestra que LOGISNETRLM tiene una mejor coin-
cidencia (71.01%) entre su predicción y el mapa del inventario de deslizamientos
en comparación con LOGISNETSINMAP (37.62%). Cada uno de los modelos tiene
más de 50% de píxeles categorizados como de deslizamiento que en realidad
representan deslizamientos en el mapa del inventario (precisión del usuario), y
ambos modelos predicen más píxeles clasificados de manera correcta como desli-
zamientos que de forma incorrecta (eficiencia del modelo).
A los 5 y 10 m de resolución, la predicción de LOGISNETSINMAP es constante,
con la precisión del productor y del usuario similar a las de 1 m. A los 30 m de
resolución, LOGISNETSINMAP decrece aún más su coincidencia con el mapa del
inventario de deslizamientos.
A los 5, 10 y 30 m de resolución, la predicción de LOGISNETRLM no es cons-
tante. LOGISNETRLM tiende a sobrepredecir deslizamientos. A 5 m de resolución,
la sobrepredicción hace que el modelo de LOGISNETRLM emule mejor al mapa
del inventario de deslizamientos (93.69%) en comparación con LOGISNETSINMAP
(34.81%). Sin embargo, este exceso de predicción hace que la precisión del usua-
Evaluación práctica y teórica de los modelos de regresión logística múltiple y… . 73
Tabla 10. Precisión del productor, precisión del usuario y eficiencia del modelo
LOGISNETRLM (30 m)
LOGISNETRLM (10 m)
LOGISNETRLM (5 m)
LOGISNETRLM (1 m)
Deslizamiento
Deslizamiento
Deslizamiento
Deslizamiento
Deslizamiento
Deslizamiento
Precisión 37.62 34.81 35.78 15.38 71.01 93.69 61.47 46.15
del productor
Precisión 58.88 52.65 54.93 25 57.75 35.96 24.81 26.09
del usuario
Eficiencia 0.11 0.04 0.06 -0.31 0.19 -0.73 -1.25 -0.85
del modelo
Índice 0.3246 0.2925 0.3028 0.0803 0.6601 0.9086 0.4495 0.3007
Kappa
rio sea baja (35.96%) y la eficiencia del modelo sea negativa (-0.73). La sobrepre-
dicción conduce a que más zonas sin deslizamientos sean clasificadas incorrecta-
mente como zonas de deslizamiento en el modelo. Asimismo, como parte de la
sobrepredicción, la forma de los deslizamientos se oculta y el escarpe principal no
queda bien definido.
El bajo rendimiento de LOGISNETRLM a 10 y a 30 m era de esperarse debido
a que el pre-test (Tabla 8 y 9) sugiere que los modelos no son estadísticamente
válidos para la predicción de deslizamientos. A pesar de que la precisión del pro-
ductor es razonables los resultados de LOGISNETRLM son pobres y con valores de
predicción extremos. El valor bajo de la precisión del usuario indica que 75.19%
de los píxeles a 10 m de resolución y 73.91% a 30 m de resolución identificados
en la predicción como de deslizamientos están incorrectamente incluidos en la
categoría de deslizamientos de tierra. Esto se confirma por el valor negativo alto
que tiene la eficiencia del modelo (Tabla 10).
74 . G. Legorreta, M. Bursik, F. Aceves, L. M. Paredes, J. Lugo, I. Alcántara y J. López
Conclusiones
La energía que recibe la Tierra proviene del Sol, y comprende todas las regiones
del espectro electromagnético (EEM) desde los rayos cósmicos hasta las longitu-
des de onda larga. Esta energía realiza una trayectoria desde el espacio sideral y
la propia atmósfera terrestre hasta llegar a la superficie terrestre; sin embargo,
no todas las longitudes de onda logran llegar debido a su interacción con dichos
medios. La interacción puede caracterizarse en términos de dispersión, absorción
y transmisión. Del mismo modo que la energía interactúa a través de los meca-
nismos mencionados, también lo hace con los elementos de la superficie terrestre,
incluyendo las nubes, de tal forma que cada elemento tiene una firma espectral
que lo caracteriza; es decir, del total de energía que recibe, unas longitudes de
onda las absorbe, otras las refleja o emite. A continuación se describen las firmas
espectrales del agua y de la clorofila a.
En términos físicos, la temperatura del planeta se debe a la capacidad de
absorción de la energía solar, por parte de los elementos que constituyen la su-
perficie terrestre. De la energía absorbida, el agua de los océanos refleja una parte
en el visible, principalmente en el azul (0.4 µm) y el verde (0.5 µm), y emite otra
parte en el infrarrojo térmico alrededor de las 10 µm. Durante este proceso de
interacción con la energía, el océano además de reflejar y emitir en las longitudes
de onda señaladas, absorbe prácticamente el 100% de todas aquéllas ubicadas
desde el infrarrojo cercano 0.8 µm, hasta el infrarrojo térmico 10 µm (Figura 1).
En la Figura 2 se marca con línea punteada la firma espectral del agua pura,
mientras que con líneas sólidas se muestra cómo se incrementa la reflectancia
78 . Olivia Salmerón García
80
Figura 1. Firmas espectrales.
(fuente: http://www.fao.
70 AGUA DE RÍO TRANSPARENTE
AGUA DE RÍO TURBIA
VEGETACIÓN
org /docrep/0 03/t 04 46s/
60 SUELO ARCILLOSO ENCENEGADO
SUELO DE LODO
T0446S04.htm).
PORCENTAJE DE REFLECTANCIA
50
40
30
20
10
0
.4 .6 .8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6
LONGITUD DE ONDA (micrómetros)
10
0
0.4 0.5 0.6 0.7
micras
alrededor de las 0.6 µm, mientras que disminuye en las 0.4 µm, conforme se
incrementa el contenido de sustancia amarilla.
Los sensores infrarrojos captan le energía que emite la superficie del océano,
sin embargo, la temperatura que detectan (temperatura de brillo) no es realmente
la del océano. En el caso de la superficie oceánica las temperaturas de brillo son
más frías por varias razones, la presencia de nubes y de aerosoles, así como al he-
cho de que la superficie del océano es considerada como un cuerpo negro con una
emisividad igual a uno, lo que implica que su reflectancia sea nula. Esto ocasiona
errores que pueden ser hasta de 0.3 K. En realidad la emisividad del océano es
Aplicaciones oceanográficas de las imágenes satelitales NOAA-AVHRR y SeaStar… . 79
Figura 3. Espectro de la
Chla y clorofila b. Modifica-
Clorofila a do de Hernández Gil, 2002.
b Clorofila b
a
Absorción
coloración roja debida a la peridinina; las xantofilas dan una coloración amarilla
y los carotenoides ocasionan tonos amarillo-anaranjados (González, 2002).
Resolución espectral. Se refiere a las cinco bandas o canales que conforman una
imagen AVHRR y a su ubicación en el espectro electromagnético (EEM), es decir,
cada banda o canal muestra la energía recibida por el sensor en un rango especí-
fico del EEM. La Tabla 1 describe cada uno de los canales AVHRR.
2 http://www.fao.org/docrep/003/t0355s/t0355s00.htm
3 http://nsidc.org/data/docs/daac/nsidc0022_avhrr_l1b.gd.html#kidwell
Aplicaciones oceanográficas de las imágenes satelitales NOAA-AVHRR y SeaStar… . 81
ángulo bajo el cual el sensor AVHRR ve la superficie terrestre es igual a 1.3 mrad.
Este dato multiplicado por la altura de su órbita indica el tamaño de los píxeles.
Normal
Figura 5. Ángulo zenital
solar.
Ángulo
Satélite zenital
Ángulo del sol Ángulo de
zenital la fase de
del satélite dispersión
Ángulo
de reflexión
solar
Reflexión
solar
Sol
Punto de vista
Tierra
Aplicaciones oceanográficas de las imágenes satelitales NOAA-AVHRR y SeaStar… . 85
4 (http:seawifs.gsfc.nasa.gov/SEAWIFS/LIVING_OCEAN/TEACHER4.html)
86 . Olivia Salmerón García
Aplicaciones en México
de Chla del sensor SeaWiFs, de 1999 al 2000, detecta Karenia brevis al este del
Golfo de México y reporta que los eventos de florecimiento de algas se obser-
van desde agosto hasta marzo-abril, para cada uno de los años de estudio. En el
mismo artículo, el autor describe siete regiones, de acuerdo con la frecuencia de
florecimientos algales, a lo largo de la costa oeste de Florida.
En Aguirre et al. (2077) se realizó un análisis de la variación de Chla en el
Pacífico Sur mexicano, que muestra las diferencias entre las estaciones de verano
e invierno desde 1998 al 2003, así como el efecto de los vientos en la formación
de la surgencia del Golfo de Tehuantepec y su impacto en la Chla. Resalta el
invierno de 1998 con anomalías negativas de Chla (-0.15 mg/m3), el cual se
explica por El Niño de 1997-1998; por su parte, el verano e invierno del 2003
fue de condiciones normales y la Chla presentó anomalías positivas superiores a
0.15 mg/m3. Por su parte, González Silvera et al. (2004), realizaron un estudio
de la formación y características de los giros que se forman en los golfos de Te-
huantepec y Papagayo, utilizando imágenes de temperatura superficial del mar
(AVHRR) y de concentración de clorofila a (SeaWifs), en el periodo noviembre de
1998 y marzo de 1999. Un aspecto importante de los giros en Tehuantepec es
que fertilizan las aguas mediante un incremento en la Chla con la consecuente
abundancia de fitoplancton, lo cual favorece las condiciones tróficas elevando
la productividad pesquera. Un estudio más sobre las estructuras de mesoescala
en la superficie marina en México es el de Navarro et al. (2004), quien utilizó
imágenes de TSM derivadas del sensor AVHRR, de octubre y noviembre del 1985,
para identificar las características de giros, frentes, filamentos y albercas de agua
caliente, observables en superficie, en el Golfo de California. De esta forma se
llegó a la conclusión de que el área con la temperatura más baja, en la zona, al-
canza una diferencia máxima de 6° C con respecto del agua al sur de dicha zona,
y una diferencia alrededor de 0.05° C km-1 con respecto al gradiente horizontal.
Por otra parte, el Ordenamiento Marino es una tarea que empezaron al-
gunos países, desde los años ochenta, mediante programas globales en los que
inicialmente eran pocos los participantes, sin embargo, con el paso del tiempo se
han incluido otros como México con la finalidad de colaborar en la conservación
y aprovechamiento sustentable de los recursos. De esta forma se han hecho algu-
nas regionalizaciones a nivel mundial considerando como base la productividad
primaria, el relieve submarino o parámetros físico-químicos del agua. En Méxi-
co se han propuesto algunas regionalizaciones a escala nacional y otros a escala
regional, considerando distintos parámetros, por ejemplo los procesos físicos en
el Golfo de México (Zavala et al., 2006). En este trabajo se detectaron diez re-
giones a partir de la revisión de varias investigaciones en las cuales se estudiaron
88 . Olivia Salmerón García
Conclusiones
Introducción
Desde que hicieron su aparición, las imágenes aéreas digitales de alta resolución
han sido utilizadas desde hace más o menos tres lustros en una gran diversidad
de proyectos. Aunque las primeras cámaras contaban con un sensor de 1524 x
1012 elementos de imagen, es decir, 1.54 Mpíxeles (Kodak DCS 420), éstas se
encontraban muy lejos de la resolución equivalente de la película de 35 mm (12
Mpíxeles) que es el tamaño de negativo con el que siempre se les ha comparado,
no obstante, desde un principio se apreció el potencial de estos equipos como
herramienta de teledetección (King, 1992). Los avances tecnológicos han per-
mitido que hoy en día sea común tener resoluciones del orden de 24 Mpíxeles
en cámaras de pequeño formato, con un costo del orden de 10 000 USD. Lo que
significa tener, por ejemplo, una cobertura de 4.0 x 3.0 km volando a una altura
de 19 000 pies y con un tamaño de píxel en el terreno de 0.6 m (Figura 1). Sin
lugar a dudas, esto ha permitido aumentar las posibilidades de análisis al abordar
los distintos proyectos que utilizan estas imágenes como insumo básico.
Si bien es cierto que en la actualidad se cuenta con imágenes satelitales de
alta resolución (i.e. menos de un metro) su costo y disponibilidad son factores que
las ponen en desventaja con respecto a la fotografía aérea digital. Por otra parte,
esta última ofrece una gran flexibilidad en cuanto a cobertura del área en estudio,
resolución, y lo más importante: permite la obtención de estereopares. Y más aún,
las técnicas de generación de mosaicos ortorectificados a partir de estas imágenes,
92 . Jorge Prado Molina, Armando Peralta Higuera y José López García
están más que probadas en zonas extensas de territorio y han demostrado su utilidad
en gran cantidad de proyectos (López, 2006; Ramírez, 2011; Prado et al., 2006).
La alta resolución permite no solo la clasificación de árboles individuales
(Pouliot y King, 2005), sino también llevar a cabo diferentes estudios sobre los
parámetros biofísicos de la vegetación (Wulder, 1998). Entre la variedad de imá-
genes disponibles en el mercado, con diferentes resoluciones espaciales utilizadas,
las que tienen un tamaño de píxel de 1 m, han demostrado ser las más adecua-
das para el reconocimiento y conteo de árboles individuales (Sugumaran et al.,
2003); sin embargo, escalas más grandes proporcionan una identificación directa
de la mayoría de los tipos de cubiertas vegetales y especies, siempre y cuando
éstas no se encuentren mezcladas entre sí (Wulder et al., 2004), además, la alta
resolución junto con la inclusión de mediciones de textura, pueden incrementar
potencialmente la precisión en la clasificación (Laliberte y Rango, 2009).
Por otro lado, la formación de un mosaico ortorectificado de una zona en es-
tudio, permite llevar a cabo el análisis multitemporal de los cambios en la cubier-
ta vegetal, ya que puede ser utilizado como cartografía base a partir de la primera
vez que es generado. El análisis de las fotografías (efectuado por un experto), de-
termina el estado actual de la vegetación y establece un fundamento para futuras
interpretaciones; las imágenes aéreas digitales de alta resolución constituyen un
conjunto de datos muy valioso para este tipo de análisis.
Las cámaras digitales se dividen en tres categorías: gran formato, medio y peque-
ño. Las primeras son producidas por tres vendedores principales, como son Leica™,
Vexcel™ e Intergraph™, en contraparte, para las de formato pequeño existe una
gran variedad de fabricantes y dentro de esta categoría, las que se recomienda
usar para propósitos de adquisición de imágenes, son las de uso profesional, por
la cantidad de píxeles, estabilidad mecánica, robustez y por la calidad del lente;
es mejor evitar la distorsión introducida a las imágenes por los lentes de cámaras
de bajo costo. Por otra parte, existen en el mercado algunas cámaras de formato
medio que pueden ser una buena opción para llevar a cabo tareas de teledetec-
ción, sin embargo, esta discusión sale del alcance de este capítulo.
Es un hecho que las cámaras de formato pequeño no tienen la precisión
geométrica de las de gran formato, ni mucho menos cuentan con marcas fiducia-
les o parámetros de calibración para la obtención de los elementos de orientación
interna (distancia focal calibrada, desviación del punto principal y distorsión
Figura 1. Ejemplo de una imagen obtenida con una cámara Nikon D3x, que tiene una cobertura de 4x3 km, con tamaño de píxel de
Utilización de imágenes aéreas digitales de alta resolución en la evaluación de… . 93
0.6 m.
94 . Jorge Prado Molina, Armando Peralta Higuera y José López García
Ejemplos de aplicación
En esta sección se muestran diferentes usos que es posible dar a las imágenes
aéreas digitales de alta resolución, obtenidas con cámaras de pequeño formato.
La evaluación de recursos naturales es sin lugar a dudas un área en la que di-
chas imágenes han sido ampliamente utilizadas, no obstante, existen muchísimas
otras aplicaciones en las que también se han empleado con gran éxito, como es el
caso de los estudios de impacto ambiental, los cambios de uso de suelo, el mues-
treo de campos de cultivo para estimar el volumen de cosechas, la evaluación de
desastres (Prado et al., 2008), o el daño a cultivos causados por plagas; de estas
otras aplicaciones, también se incluyen unos ejemplos para mostrar la variedad y
flexibilidad de usos de estas imágenes.
caso fue importante contar con cartografía previa, ya que esto permitió hacer
un seguimiento temporal de estos procesos naturales, así como monitorear las
etapas de recuperación de la vegetación y los cambios en la línea de costa desde
una perspectiva humana.
En la Figura 3 se muestra un mosaico de la zona en estudio, donde se aprecia
el daño, ocurrió en los límites de la costa y en aquellas zonas tierra adentro, des-
plegadas en color café, donde la vegetación fue severamente dañada.
u Figura 2. Comparación con imágenes de 2004 arriba y de 2005 abajo, después del impacto
del huracán Wilma.
98 . Jorge Prado Molina, Armando Peralta Higuera y José López García
Áreas protegidas
anteriores
Nuevas zonas
núcleo
Nueva zona
de amortiguamiento
Colonias de mariposas
reportadas en los últimos
21 años
100 . Jorge Prado Molina, Armando Peralta Higuera y José López García
suelo y los daños causados por plagas en los tres cultivos principales de esta zona;
todo esto con el objetivo último de establecer una metodología para llevar a cabo
evaluaciones rutinarias. El área en estudio comprende zonas altas y planicies bajas,
las primeras tienen una altitud promedio de 1 300 m, donde se produce café, y en
las planicies (de 50 a 200 m) existen cultivos de caña de azúcar y cítricos. Se ad-
quirieron imágenes visibles e infrarrojas a una altura promedio de 3 200 m snmm
con una resolución de 0.40 m en las partes altas y de 0.70 m en las planicies. Las
imágenes visibles e infrarrojas fueron separadas en bandas, registradas e integra-
das para generar imágenes multiespectrales en falso color (Figura 5), ortocorregi-
das y ensambladas en un mosaico.
La detección de las plagas se realizó a través de la interpretación con imáge-
nes IR, estereopares en color, compuestas en falso color y también se efectuaron
algunos procesos de clasificación automáticos (Prado et al., 2007). Estos resulta-
dos fueron integrados con el ortomosaico de la zona y comparados con observa-
ciones de campo para evaluar coincidencias y omisiones.
El daño infringido por la langosta centroamericana (Schistocerca picei-
frons Walker) en los sembradíos de caña de azúcar se distinguió fácilmente, sin
embargo, en algunos casos se confundió por algunos efectos de las condiciones
del suelo. Hubo bastantes problemas para detectar los daños en los cafetales,
causados por la broca del café (Hypothenemus hampei), esto es debido a que las
plantas por lo general se encuentran bajo la sombra de otras especies vegetales y
no pueden observarse directamente, ni tampoco alguno de sus efectos a través, o
en el dosel de la vegetación que los cubre. Es necesario buscar un método alter-
nativo de identificación de daños, que hasta la fecha no están muy extendidos en
la zona. Algo parecido ocurrió con las plantaciones de cítricos, donde los efectos
de la calidad del suelo, la humedad y las prácticas de manejo enmascararon el
papel que jugó la mosca de la fruta (Anastrepha Ludens) en las afectaciones a los
cultivos. En este caso fue necesario incrementar de manera significativa el trabajo
de campo para hacer las comparaciones y establecer criterios más adecuados de
evaluación de las zonas afectadas. Finalmente, lo que sí resultó de manera inequí-
voca, fue el hecho de los cambios de uso de suelo debidos a las actividades eco-
nómicas y la deforestación, ya que estaban directamente ligados a la aparición de
las plagas en la zona. Las imágenes aéreas digitales de alta resolución resultaron
útiles en la detección de plagas de langosta y la mosca de la fruta, no así para la
broca del café, por lo que su aplicación debe enfocarse solamente en las planicies,
donde se ubican estas especies nocivas.
Utilización de imágenes aéreas digitales de alta resolución en la evaluación de… . 101
Figura 5. Compuesto de falso color para apoyo a la interpretación de las zonas afectadas por plagas.
102 . Jorge Prado Molina, Armando Peralta Higuera y José López García
Figura 7. Transectos de
vuelo efectuados a lo lar-
go y ancho de la República
Mexicana, para validar la
interpretación de la cober-
tura vegetal en el Inventario
Forestal Nacional, 2000.
Figura 8. La resolución de las imágenes permitió una identificación positiva de las especies,
al poder distinguir árboles individuales. Abajo se muestra un acercamiento de la imagen.
Utilización de imágenes aéreas digitales de alta resolución en la evaluación de… . 105
Figura 9. Ortomosaico del sur del valle de México, generado con fotografías de varias cam-
pañas aéreas del 2005.
Figura 10. Los polígonos en rojo indican las zonas de invasión al área de conservación
ecológica.
Utilización de imágenes aéreas digitales de alta resolución en la evaluación de… . 107
Figura 11. Mosaico semi-controlado de la zona oriental de la Cuenca de México. Generado a partir de imágenes digitales obtenidas en
el primer levantamiento aéreo de la zona, en 1997.
Utilización de imágenes aéreas digitales de alta resolución en la evaluación de… . 109
Figura 12. Imágenes visible y compuesta, utilizadas para monitorear procesos de reforesta-
ción, erosión e irrigación en la parte oriental de la Cuenca de México.
agua que es utilizada como lastre; desalojándola en el mar antes de ser llenados
con petróleo crudo. Se llevó a cabo un estudio integral de la zona, incluyendo la
hidrodinámica del arrecife contiguo al cayo, y el mapa elaborado con imágenes
digitales de alta resolución en color e IR, sirvió como cartografía base para dicho
estudio. Finalmente, los resultados demostraron que el impacto en los corales,
el agua y la arena no eran significativos, a pesar de la actividad petrolera en los
alrededores.
Evaluación de desastres
La imagen aérea digital de alta resolución, obtenida con cámaras de pequeño
formato, ha demostrado ser un medio muy rápido y conveniente para determinar
la magnitud de un desastre. Aun con la presencia de nubes, las cámaras digitales
son suficientemente sensibles para obtener imágenes útiles. En algunos casos,
donde el área no es muy extensa (i.e. decenas de kilómetros cuadrados), doce
607 000 606 000 609 000
2236 000
2236 000
2235 000
2235 000
2234 000
2234 000
110 . Jorge Prado Molina, Armando Peralta Higuera y José López García
Figura 13. Actualización de los mapas de la Isla Isabel, Nayarit y de Cayo Arcas, Campeche, utilizando imágenes aéreas digitales de
pequeño formato.
Utilización de imágenes aéreas digitales de alta resolución en la evaluación de… . 111
horas han sido suficientes para adquirir las imágenes y formar un mosaico se-
micontrolado, usando una cartografía base de la zona devastada. El contenido
en color e IR, permite una evaluación rápida a través de los estereopares. Como
ejemplo, lo ocurrido en 1998 cuando una avalancha de lodo cubrió muchas vi-
viendas en el pueblo de Pijijiapan, localizado en la planicie costera en el estado de
Chiapas, México (Figura 14). Posterior a la emergencia, un mosaico de imágenes
de pequeño formato que abarcaban una zona más amplia, junto con imágenes
de satélite, fueron utilizados para generar el mapa de riesgos, con la intención de
establecer programas de reubicación de la población.
En otro caso de inundación, ocurrido en el 2000 en una zona densamente
poblada en las afueras de la Ciudad de México, las imágenes en color e IR resulta-
ron de capital importancia para evaluar las afectaciones en las viviendas, después
de que la pared de un dique de aguas negras cediera ante la presión del agua. En
este caso particular, la utilidad de la imagen IR se puso de manifiesto al permitir
la delimitación exacta de la inundación a unas cuantas horas de haber ocurrido el
desastre. Desafortunadamente el mismo problema se presentó diez años después;
los hundimientos diferenciales del terreno son los causantes de las fracturas de las
paredes del dique. La zona inundada en esta ocasión fue prácticamente la misma
y se espera que las autoridades tomen algunas medidas de prevención para que
esto no ocurra nuevamente.
Discusión
Grandes levantamientos
La sensación de que las imágenes aéreas digitales de alta resolución no eran ade-
cuadas para llevar a cabo levantamientos de grandes extensiones de territorio,
debido a la gran cantidad de fotografías que era necesario procesar, en compa-
ración con las imágenes obtenidas con cámaras aerofotográficas convencionales,
fue sobrepasada muy pronto. Para 1997 el Instituto de Geografía de la UNAM,
llevó a cabo el primer levantamiento aéreo de la porción oriental de la cuenca de
México, efectuando un primer mosaico semicontrolado de la zona. A partir de
esta experiencia se comenzaron a utilizar las imágenes aéreas digitales en otros
proyectos en México, debido al éxito alcanzado, sobretodo en la etapa de inter-
pretación, que a su vez fue consecuencia de la buena resolución y calidad de las
imágenes, el procesamiento casi inmediato y su inclusión directa a un SIG.
Posteriormente, a principios de 1999, se hizo un levantamiento de la laguna
de Agua Brava en Nayarit, México, con la finalidad de efectuar un estudio de
112 . Jorge Prado Molina, Armando Peralta Higuera y José López García
Figura 14. Mosaico de la zona de desastre en el pueblo de Pijijiapan. La inundación cubrió muchas viviendas en octubre de 1998, a
consecuencia de lluvias torrenciales en las partes altas.
Utilización de imágenes aéreas digitales de alta resolución en la evaluación de… . 113
470 000 475 000 480 000 485 000 490 000 495 000 500 000
2165 000
2165 000
2160 000
2160 000
2155 000
2155 000
2150 000
2150 000
2145 000
2145 000
2140 000
2140 000
2135 000
2135 000
2130 000
2130 000
470 000 475 000 480 000 485 000 490 000 495 000 500 000
5 0 5 10 15 20 kilómetros
Figura 15. Primer ortomosaico del Valle de México, generado a partir de 450 imágenes digi-
tales de pequeño formato.
114 . Jorge Prado Molina, Armando Peralta Higuera y José López García
Conclusiones
Como lo demuestran los diferentes ejemplos mostrados en este capítulo, las imá-
genes aéreas digitales de alta resolución obtenidas con cámaras de formato pe-
queño representan una opción adecuada y, en algunos casos, muy rápida para
llevar a cabo diferentes estudios. En todos aquellos proyectos donde sea necesaria
una alta resolución espacial y temporal, y existan restricciones económicas y se
requiera de una gran flexibilidad operativa, la imagen digital de pequeño formato
ofrece ventajas significativas. Como era de esperarse, la tecnología ha jugado un
papel preponderante en el desarrollo de estos sistemas de percepción remota, al
proveer imágenes de mayor resolución y mejores programas de computadora para
llevar a cabo la corrección geométrica y la formación de los mosaicos. Sin embar-
go, un aspecto que es indispensable también apoyar, es el desarrollo de personal
altamente especializado en la interpretación y análisis de las imágenes.
Para llevar a cabo la evaluación de desastres, la imagen aérea digital de pe-
queño formato ha demostrado ser un material adecuado, ya que los equipos de
adquisición de imágenes pueden montarse en prácticamente cualquier aeronave
convencional e inclusive en sistemas no tripulados, lo que permite hacer un estu-
dio en unas pocas horas.
Capítulo 5. Distribución de aves rapaces
en Los Tuxtlas: un acercamiento espacio-estadístico
José Antonio Quintero Pérez
Ana Rosa Rosales Tapia
Laboratorio de Análisis Geoespacial, Instituto de Geografía
Universidad Nacional Autónoma de México
Introducción
Dada su situación geográfica, México se caracteriza por una gran cantidad de am-
bientes diferentes que permiten la existencia de un número muy elevado de fauna
silvestre. De ésta, las aves constituyen un grupo muy diverso, con aproximada-
mente 1 018 especies (Peterson y Chaliff, 1998) distribuidas a través del territorio
nacional. Para estructurar una estrategia apropiada para el manejo de estos recur-
sos, es necesario conocer ampliamente los diferentes aspectos biológicos de estos
animales (Flores y Gerez, 1988), desde su distribución geográfica, sus hábitos de
alimentación, reproducción y migración, hasta su fisiología y bioquímica. Desafor-
tunadamente algunos grupos de aves que están muy bien representados en Méxi-
co, como el orden de los Falconiformes, han sido poco estudiados por las dificul-
tades que esto implica como su observación e identificación, así como su captura,
actividades que implican técnicas especializadas y complicadas (Newton, 2000).
A pesar de las dificultades arriba mencionadas, es muy importante estudiar
estas especies que se encuentran en la parte superior de la cadena alimenticia, en
densidades muy bajas en comparación con la gran mayoría de las aves (Brown
y Amadon, 1989), y que son extremadamente sensibles a los cambios inducidos
en su hábitat por las actividades antropogénicas. Esta vulnerabilidad le da a esta
ave de presa, además de su importancia como eslabón en el ecosistema, un papel
muy importante como indicador ambiental (Burton, 1989), en parte debido a la
disminución en las poblaciones de algunas especies, como el halcón peregrino
(Falco peregrinus) o el águila pescadora (Pandion haliaetus), (Johnson, 1981).
La fauna de la región neotropical de Los Tuxtlas es muy diversa en su biota
y combina diferentes especies de origen neotropical y neoártico así como endé-
116 . José Antonio Quintero Pérez y Ana Rosa Rosales Tapia
micas (Andrle, 1964; Dirzo, 1987; Ibarra y Sinaca, 1987; Pérez et al., 1987). Los
Tuxtlas es el hogar de más de cien especies migratorias (Winker et al., 1992) que
convergen en esta región a lo largo de dos importantes rutas migratorias: aves que
siguen la costa del Golfo de México, y aquéllas que vuelan sobre el Golfo. De és-
tas, un gran número se clasifica en alguna categoría de riesgo como la de especies
amenazadas por la lista roja de la IUCN5 y CITES.6 Se encuentran particularmente
amenazadas aquellas especies de aves insectívoras, carnívoras o las que dependen
del follaje, las especies que tienen un sistema social territorial y requieren recursos
especializados del hábitat, aquéllas con bajas tasas de reproducción o que anidan
cada dos o tres años y son objeto de caza o son comercializadas (Ramos, 1985).
Los Tuxtlas, considerada un área de alta prioridad para la conservación de
aves en México (Waugh y Pérez-Gil, 1992) contiene más de 40 especies de Fal-
coniformes; sin embargo, fuera de los registros generalmente esporádicos no ha
habido un estudio sistemático sobre este importante grupo en la región de Los
Tuxtlas. Este estudio da un paso más en la construcción del conocimiento sobre
estas aves rapaces por medio de la descripción de la distribución espacial del gé-
nero Buteo. El propósito de esta investigación es identificar no solo la distribución
actual de este género, sino también obtener información actualizada sobre las
preferencias de su hábitat.
Problemas de conservación
Clasificación
Reino: Animalia
Phylum: Chordata
Clase: Ave
Superorden: Neoghathae
Orden: Falconiformes
Familia: Accidpitridae
Género: Buteo
Hábitat
En general, este género construye su nido en el borde del bosque o en grandes
árboles rodeados de zonas abiertas, pero también se pueden encontrar en áreas
semi-abiertas con árboles dispersos. Su territorio principal se compone de gran-
des arboledas, rodeadas de campos con pastos para alimentarse y perchas sobre-
salientes en torres de energía, postes de cableado y árboles a orillas de las carrete-
ras y cuerpos de agua. En las regiones más septentrionales les gusta permanecer
cerca de los árboles de coníferas (Preston y Beane, 1993), sin embargo, más al sur
se mantienen alrededor de los árboles caducifolios. Muchas aves son ocupantes
durante todo el año de alguna región, aunque las aves del norte migran hacia el
sur durante el otoño para escapar de los rigores del invierno.
Este género es un residente bastante común desde el nivel del mar hasta los 1
800 m sobre el nivel de éste en ambas costas mexicanas: en la costa del Pacífico,
desde Sonora hasta Chiapas, y en el Golfo de México, desde Tamaulipas hasta
Yucatán, incluyendo el Mar Caribe en Quintana Roo, y localmente en el interior
desde la cuenca del Balsas a El Salvador y Honduras (Howell y Webb, 1995). El
Distribución de aves rapaces en Los Tuxtlas: un acercamiento espacio-estadístico . 119
Hábitos alimenticios
Suelen cazar desde perchas pasando gran parte del tiempo en busca de presas
desde una posición alta para alimentarse de una amplia variedad de especies uti-
lizando sus poderosas garras como armas. El 80 a 85% de su dieta se compone de
pequeños roedores, sin embargo, pueden capturar mamíferos tan grandes como
conejos, reptiles y otras aves que constituyen el resto de su dieta. Los tordos ma-
chos de alas rojas son frecuentemente devorados debido a su visibilidad cuando
cuidan sus nidos (Ferguson-Lees y Chistie, 2006), en términos generales, lo que
cazan es típicamente una función de lo que está disponible, así como del tamaño
y nivel de experiencia del halcón.
Reproducción
El género Buteo por lo general comienza a criar a los tres años de edad, tiende a
ser monógamo, y busca una nueva pareja solo cuando la suya muere. Una señal
segura de la época de reproducción y crianza durante la primavera es que el ma-
cho y la hembra se posan sobre el mismo árbol para cazar. Durante el cortejo,
las aves vuelan cerca uno del otro en círculos, en vuelos con una duración de
diez minutos o más, y usualmente el apareamiento viene después (DeGraaf y
Rappole, 1995).
Los nidos son generalmente de 28 a 38 pulgadas de diámetro. A veces se
utilizan año tras año y pueden ser de hasta 1 m de altura. Ambas aves construyen
el nido utilizando hojas de árboles caducifolios aproximadamente de 4 a 21 m
por encima del suelo. Los nidos son construidos con ramas, mientras que el re-
vestimiento está formado por hojas y corteza que se depositan en el nido durante
todo el año para mantenerlo limpio (Smith et al., 2003). De uno a cinco huevos
son puestos en la primera semana de abril siendo incubados durante unos 30
días, ambos padres ayudan en esta tarea, y los huevos eclosionan en intervalos de
uno a dos días. Los machos llevan comida a la hembra mientras está en el nido y
desgarran los alimentos para las crías inicialmente, dejándolo más tarde entero.
A las crías les crecen plumas alrededor de los primeros 45 días (Ferguson-Lees y
Christie, 2006).
Conducta
Estas aves son muy territoriales y su entorno puede variar en tamaño desde 0.5
hasta más de 5 en función de los alimentos, las perchas, y sitios de anidación
120 . José Antonio Quintero Pérez y Ana Rosa Rosales Tapia
disponibles (Zeigler y Bischof, 1993). La hembra suele ser más agresiva alrededor
del nido, mientras que el macho es más agresivo cuando se trata de los límites
del territorio. Estas aves se elevan planeando con un movimiento ondulatorio,
ascendente y descendente, sobre su territorio, principalmente en los días claros,
en busca de intrusos.
Área en estudio
La cadena montañosa de Los Tuxtlas, cuyo nombre, según Andrle (1964) se deri-
va del dialecto Náhuatl toxtli, traducida al español como conejo, es un grupo de
montañas que se originó por la actividad volcánica. Esta cordillera está situada
en la llanura costera del Golfo de México en el sur del estado de Veracruz (Figura
1). La cordillera se divide en dos secciones, una al noroeste formada por el volcán
San Martín Tuxtla (1 720 m), y la otra al sureste llamada Sierra de Santa Marta
(1 650 m). Estas dos secciones están separadas por una depresión en la que se
anida el lago de Catemaco, formado a partir de los cráteres de varios volcanes
extintos (Figura 2).
La amplia gama de características fisiográficas, desde la playa al cráter, pa-
sando por barrancas de laderas escarpadas, aunadas a la humedad y el clima tro-
pical, conducen a una gran variedad de hábitats disponibles para la vida silvestre
y una increíble diversidad de especies de aves (hasta 568 según algunos cálculos)
dentro de un área relativamente pequeña (Pare et al., 1992). Como se mencionó
anteriormente, la zona de Los Tuxtlas representa la mayor porción intacta y el
último parche de bosque tropical lluvioso en el estado de Veracruz, además de ser
la línea de frontera entre las regiones Neártica y la Neotropical del continente.
Esta pequeña zona costera limitada por la Sierra de Los Tuxtlas es reconocida
como una zona importante para aves migratorias de estas dos regiones contribu-
yendo también a la biota que da cuenta de su enorme variedad de taxones como:
aproximadamente 2 500 especies de plantas, 80 pteridofitas (helechos), más de
1 200 insectos, 122 reptiles y anfibios, más de 561 especies de aves y alrededor
de 128 mamíferos.
Muchas especies vegetales y animales que se encuentran aquí son exclusivos
de México o de la zona, y no se encuentran en ninguna otra parte del mundo.
La mayoría de los reptiles y anfibios están restringidos a pequeñas áreas aisladas
de bosque de montaña. La región cuenta con la mayor diversidad de aves en Mé-
xico en términos de superficie comparable. Es también un refugio para muchas
especies raras y amenazadas que han sido desplazadas de otras zonas de México,
Distribución de aves rapaces en Los Tuxtlas: un acercamiento espacio-estadístico . 121
30ºN
Veracruz
20ºN
20ºN
Los Tuxtlas
18º30’N
18º15’N
18º15’N
Leyenda
• Puntos del género Buteo
Índice de vegetación
Normalización en Falso Color
0 10 20 km
Figura 2. Los Tuxtlas, el área en estudio con los puntos de género Buteo.
122 . José Antonio Quintero Pérez y Ana Rosa Rosales Tapia
18º30’N
18º15’N
18º15’N
Leyenda
• Localidades
Curvas de nivel
Cuerpos de agua
0 10 20 km
Métodos
Objetivo
Identificar las preferencias de hábitat del género Buteo utilizando el análisis
espacio-estadístico con base en una distribución conocida. Usando una meto-
dología de cuadrantes y un análisis de regresión, se identificaron las variables
que mejor describían la presencia de este género en el paisaje, discutiéndose los
resultados con una base biológica y concluyendo con una explicación espacial de
esta distribución.
Visión general
La comprensión de las preferencias de hábitat de las especies silvestres es im-
portante, no solo para mejorar el conocimiento ecológico sobre esa especie, sino
también para diseñar estrategias para la protección de su hábitat. En este sentido,
es necesario desarrollar metodologías para cartografiar y monitorear de forma
rápida y rentable estos paisajes para determinar su valor de conservación (For-
man y Gordon, 1986). Esto es especialmente cierto en México donde el rápido
cambio en el uso de suelo, resultante de la deforestación y el desarrollo agrícola
(Gobierno del Estado de Veracruz, 1991; INE, 1993), ha ejercido presión sobre los
hábitats naturales y semi-naturales y resulta urgente su conservación, como en
Los Tuxtlas.
A pesar de que existe una cantidad considerable de información cualitativa
que describe las preferencias de hábitat de diversas especies de aves rapaces, tales
estudios con frecuencia no son bien representados espacialmente (Brown, 1974).
Hasta cierto punto, esto es el resultado de las dificultades inherentes a la recopi-
lación de la información del hábitat por métodos convencionales, incluyendo la
interpretación de fotografías aéreas y trabajo de campo, y que posteriormente se
tratan de cuantificar y georreferenciar para un análisis estadístico.
La posibilidad de clasificar grandes extensiones de tierra por medio de imá-
genes de satélite ofrece para ciertos tipos de paisajes y de flora y fauna silvestres, el
aumento de oportunidades para desarrollar modelos cuantitativos de las relacio-
nes entre coberturas de suelo, diversidad de especies y estimación de abundancia
(Palma, 1997). El gran número de clases que se pueden extraer de las imágenes
de satélite constituyen una base rigurosa para el desarrollo y ensayo de modelos
estadísticos y ecológicos como apoyo a los sistemas de decisiones y modelos linea-
les generales. Los resultados de estos modelos se pueden aplicar a grandes áreas
cubiertas por imágenes de satélite.
124 . José Antonio Quintero Pérez y Ana Rosa Rosales Tapia
Datos de vegetación
La imagen de satélite que se utiliza en este proyecto viene del satélite LANDSAT 7,
que utiliza el sensor ETM+ y que corresponde al path/row (columna/fila) 023/047
del 01 de abril de 2000 con una resolución espacial de 30 m en las seis bandas
multiespectrales. Esta escena que corresponde a la temporada de estiaje, el inicio
del estudio, fue orientada al mapa con la proyección Universal Transversa de
Mercator (UTM), y cae en la zona 15 norte utilizando NAD27 (North American
Datum 1927) y esferoide de Clarke 1866 como datum.
El proceso de registro de la imagen se realizó con PCI Geomatics, debido a
que la interfaz gráfica ofrecía mejores soluciones. Para esta corrección geométri-
Distribución de aves rapaces en Los Tuxtlas: un acercamiento espacio-estadístico . 125
ca las cartas escala 1:50 000 del Instituto Nacional de Estadística, Geografía e
Informática (INEGI) se utilizaron para generar los puntos de control terrestre. La
imagen fue importada de su formato nativo (.HDF) en formato de PCI (.PIX), y
después corregida radiométricamente, de 16 bits remuestreándola a 8 bits. Los
Tuxtlas es una pequeña fracción de toda la escena y con el fin de acelerar todo
el proceso la imagen original fue recortada utilizando el polígono del área en
estudio.
De acuerdo con la literatura, la vegetación es sumamente importante para el
orden Falconiformes, por lo que se generaron dos índices de vegetación a partir de
la imagen de satélite, Tasseled Cap y NDVI. Éstos se compararon con el fin de pro-
bar cuál describe mejor la presencia de las aves rapaces dentro del área en estudio.
El primer índice creado fue el Tasseled Cap, que se desarrolló para trabajar con las
cuatro bandas originales del sensor MSS y después adaptado para trabajar con
el sensor ETM+, ambos de la serie Landsat. Esta transformación se utiliza am-
pliamente en la investigación de cultivos identificando el brillo del suelo, la ve-
getación verde y la humedad, así como otros tres índices relacionados con pro-
piedades atmosféricas (Jensen, 2004). De las seis transformaciones ortogonales
calculadas por el índice Tasseled Cap, los dos primeros contienen la mayor parte
de la información de la imagen, matemáticamente hablando, de los cuales solo se
utilizó el verde de la vegetación o “índice de verdor” para este estudio que es ge-
nerado multiplicando cada una de las bandas por su correspondiente coeficiente
Tasseled Cap (Richards y Jia, 2005).
El segundo índice que se creó fue el NDVI (Normalized Difference Vegeta-
tion Index) que utiliza las bandas TM3 (rojo visible) y TM4 (infrarrojo cercano) de
la imagen. Este índice resalta la vegetación usando características intrínsecas
de ésta representadas por el número digital en cada banda. La banda TM3 se uti-
liza para detectar la reflectancia verde generada por la clorofila en la vegetación
(qué tan verde es la vegetación). La banda TM4 se usa para contrastar la vegeta-
ción viva y la muerta (qué tan brillante es la vegetación) además de que es sensible
a la humedad superficial del suelo.
La fórmula del NDVI es también llamada fórmula multirradial simple, y se
representa de la siguiente manera:
NDVI =
TM4 - TM3
TM4 - TM3
Este cociente multiplicado por 255 revela los valores de los intervalos de gris
de la imagen y entran dentro de la proporción de las bandas más comunes en
126 . José Antonio Quintero Pérez y Ana Rosa Rosales Tapia
percepción remota y como resultado de éste se obtiene una sola banda (Howard,
1991). Este índice se utiliza para mejorar la discriminación entre suelo y vegeta-
ción, y para reducir el efecto del relieve (pendiente y orientación) en las clasifica-
ciones espectrales de las diferentes coberturas vegetales (Hashimoto et al., 1993).
Para obtener los datos de elevación del área en estudio se generó un modelo digi-
tal de elevación (MDE) del terreno a partir de las curvas de nivel escala 1:50 000
de INEGI con una resolución de 20 m utilizando la extensión Spatial Analyst de
ArcGIS. Así mismo, utilizando este MDE se extrajeron las pendientes en grados
de inclinación y el aspecto u orientación de las laderas en grados radiales.
Los datos vectoriales correspondientes a los ríos y cuerpos de agua, así como
las actividades antrópicas representadas por las vías de comunicación (pavimen-
tadas y terracerías) y las localidades tanto puntuales como poligonales también se
obtuvieron de las cartas de INEGI escala 1:50 000. A estos vectoriales se les gene-
raron buffers o polígonos de influencia para obtener las distancias del rasgo hacia
afuera como un parámetro de proximidad a éstos, siendo una propiedad del espa-
cio que por ser topológica deberá demostrar alguna relación espacial con nuestros
puntos de observación. Estos productos secundarios del análisis de proximidad
son rasterizados mediante la extensión Spatial Analyst con un tamaño de píxel de
20 m con la finalidad de poder utilizar esta información junto con los derivados
del MDE y los índices de vegetación obtenidos en un solo modelo.
Una vez más, retomando la literatura relacionada a este género que hace
referencia a los diferentes usos de los espacios, se tiene que el factor humano está
presente y una manera de representarla en nuestro modelo es considerando las
áreas urbanas que se encuentran en la zona en estudio y que a su vez presentan
una organización espacial de conectividad mediante las vías de comunicación,
por lo cual son considerados estos dos rasgos. Aunado a éstos, la presencia del
agua es un factor a tomar en cuenta ya que la literatura nos dice que de manera
indirecta estas aves dependen de la cacería de otras especies que se encuentran
relacionadas a este recurso, por lo cual la hidrografía también es un elemento a
considerar en el modelo. Por otro lado, una vez revisada el área en estudio, se
tiene que la fisiografía del lugar es bastante accidentada, por lo cual se decidió
tomar en cuenta las características principales de este paisaje, como la elevación,
la pendiente y la orientación de laderas, que en algún momento podrían dar res-
puesta a la pregunta de estudio.
Distribución de aves rapaces en Los Tuxtlas: un acercamiento espacio-estadístico . 127
Componente estadístico
Minería de datos
Una vez que las celdas elegidas se cortaron se obtiene el número de puntos de
observación por cada una para obtener la frecuencia, generando una base de
datos con 64 registros convirtiéndose en la variable dependiente para el análisis
estadístico con el nombre de B_pts (Figura 5). Para obtener las variables inde-
pendientes se sobrepone la malla de 64 celdas sobre cada una de las coberturas
previamente procesadas (índice de verdor Tasseled Cap, índice de vegetación nor-
malizado NDVI, elevación, pendiente, orientación de laderas, presencia de agua,
localidades, vías de comunicación) en formato raster. Utilizando la opción Zonal
Statistics (estadísticas zonales) de la extensión Spatial Analyst en ArcGIS se obtie-
ne la media estadística de los valores que caen dentro de cada una de las 64 celdas
guardando estos valores en la base de datos en su respectivo campo (X_green,
X_ndvi, X_elev, X_slope, X_aspect, X_stream, X_town, X_road) repitiendo
este proceso con cada una de las ocho coberturas (Figura 5).
128 . José Antonio Quintero Pérez y Ana Rosa Rosales Tapia
10--2
••
2--4 2--5 2--6 2--7 2--8
• 2--9
1--7 1--8
Análisis
Con el fin de analizar los datos, la base de datos final con los 64 registros se
importó al paquete estadístico SPSS. Aquí se llevaron a cabo diferentes pruebas
estadísticas para llegar a conocer qué información es más relevante para explicar
la presencia de las observaciones en el área en estudio, en otras palabras, para de-
terminar por qué las aves rapaces del género Buteo se encuentran en cierto lugar
y no en otros.
La mayoría de los problemas espaciales en el mundo real implican múltiples
variables, y esto es particularmente cierto cuando se construye un modelo para
entender por qué algo sucede en un lugar determinado y no en otro. El objetivo
del análisis espacial es explicar el patrón de distribución de un evento y deter-
minar en qué proporción una variable independiente interviene, una manera de
abordar este tipo de eventos es utilizando un enfoque de regresión múltiple. Esta
prueba estadística modela la media de la distribución de una variable dependien-
te, como una función de diversas variables independientes. En este estudio, ocho
variables del paisaje son utilizadas para explicar las 148 observaciones del género
Buteo y definir el grado de influencia de cada una.
Con el fin de aplicar un análisis de regresión múltiple, algunos supuestos se
tomaron en cuenta: la relación entre la variable dependiente y cada variable inde-
pendiente debe ser lineal o acercarse a ésta y cuantitativa; la distribución de cada
variable debe ser normal o cercana con respecto a la línea de regresión; la varianza
residual de la distribución no debe variar de los valores ajustados entre el máximo
y el mínimo, y los residuos independientes, el valor de un error no se ve afectado
por el valor de algún otro error. Para conocer la naturaleza del conjunto de datos
e inferir los supuestos mencionados anteriormente, se realizaron estadísticas des-
criptivas, analizando las medidas de tendencia central y de dispersión de los datos
para conocer la extensión y la forma de la información, sin embargo, deducir si
las necesidades de adaptarse a una línea recta o un plano con n dimensiones es
posible con cada variable; no es una tarea sencilla. En este caso, la estadística
descriptiva ofrece un panorama general a través del paisaje que describe el estado
de la distribución espacial de cada variable.
Si la distribución resultante no fuera la ideal de acuerdo con los supuestos
pero si significativa, se podrá afirmar que la relación se asemeja a una línea y dar
esta variable por buena para una estadística paramétrica procesando todas las
variables con la t (Student) y F (Fisher)
Además de la estadística descriptiva, se llevó a cabo una matriz de correla-
ción de Pearson que proporciona una visión del tipo de relación que existe entre
130 . José Antonio Quintero Pérez y Ana Rosa Rosales Tapia
las variables, así como el grado de significancia entre ellas para poder comple-
mentar los supuestos establecidos.
Resultados y discusión
Estadística descriptiva
La estadística descriptiva para cada variable se calculó y se presenta en las siguien-
tes dos tablas. La primera descripción es sobre la variable dependiente o puntos
de observación (genero Buteo, Tabla 1), y la segunda se refiere a las variables in-
dependientes o explicativas (atributos, Tabla 2) con su respectiva interpretación.
Variance Statistic
Std. Deviation
Sum Statistic
N Statistic
Statistic
Std Error
Std Error
Std Error
Statistic
Statistic
Statistic
B_PTS
64
Std.
Range
Statistic Std Error
Statistic
Statistic
Statistic
Statistic
Statistic
Variance
Deviation
Minimum
N Statistic
Maximum
Statistic
Statistic
Sum Statistic
Std Error
Std Error
X_GREEN 64 45.1306 .7104 45.8410 1508.2116 23.5658 1.4301 11.4409 130.894 -.260 .299 -.799 .590
X_NDVI 64 104.0341 79.4477 183.4819 9828.9328 153.5770 2.2058 17.6471 311.419 -1.415 .299 3.851 .590
X_ELEV 64 1088.2251 27.2147 1115.4399 28858.6742 450.9167 33.2005 265.6041 70545.551 .733 .299 .117 .590
X_SLOPE 64 21.5093 .3966 21.9060 463.7524 7.2461 .4793 3.8348 14.706 1.668 .299 3.671 .590
X_ASPECT 64 207.2574 27.2525 234.5099 10708.3906 167.3186 5.8773 47.0184 2210.738 -.808 .299 .173 .590
X_STREAM 64 3168.1780 375.3519 3543.5300 52728.4107 823.8814 68.4822 547.8579 300148.258 2.936 .299 10.362 .590
X_ROAD 64 5413.6168 613.4530 6027.0698 117647.6013 1838.2437 152.5007 1220.0058 1488414.115 1.662 .299 2.265 .590
X_TOWN 64 12356.3996 1337.1999 13693.5996 386281.5106 6035.6486 433.1876 3465.5011 12009698.481 .673 .299 -.609 .590
Valid N
64
(listwise)
el error estándar es 0.76, lo que significa que no hay diferencia estadística entre
la media observada y la teórica.
La desviación estándar σ (también llamada sigma cuando la población total
se usa) representa una medida de dispersión donde es posible conocer el grado de
propagación o variabilidad de la media, y entre los valores. Alternativamente, se
pueden conocer qué tan fuerte están agrupados los valores. En este caso, la des-
viación estándar calculada fue de 6.10. Utilizando la media (2.31) y la desviación
estándar (6.10) se obtiene el valor total de la dispersión de los valores sumando o
restando la desviación estándar de la media por lo que la mayoría de los valores
se encuentran dispersos entre -3.79 y 8.41. La varianza que es el cuadrado de la
desviación estándar (σ2), también indica el valor de la desviación que en este caso
es de 37.266.
La asimetría (skewness) mide el grado de simetría de una distribución de
frecuencias mediante la determinación de la amplitud en que los valores se distri-
buyen a cada lado de la media, así que el valor del sesgo puede ser positivo (a la
izquierda de la media) o negativo (a la derecha de la media). En ambos casos (po-
sitivo o negativo) cuando los valores se acercan a cero se puede decir que la dis-
tribución es casi simétrica o ligeramente asimétrica. En general, un valor de asi-
metría mayor a uno indica una distribución que difiere significativamente de una
distribución normal. Dado que muchas pruebas estadísticas asumen que los da-
tos se distribuyen normalmente, este valor es útil para comprobar si es cierto o
no. En este caso, la asimetría se sitúa en 4.164, por tanto el conjunto de datos no
tiene una distribución normal.
La curtosis mide el grado de inclinación en una distribución de frecuencias
con respecto a la distribución normal mediante la determinación de la forma de
campana. La distribución puede ser leptocúrtica (pico), mesocúrtica (moderada)
o platicúrtica (redondeada). Para una distribución normal, el coeficiente de cur-
tosis es cero, mientras que cuando el coeficiente es mayor que cero la curva es
muy empinada en el centro o tiene colas relativamente largas y cuando el coefi-
ciente es menor que cero, la curva es plana con colas cortas. En este caso el valor
de la curtosis es de 20.149; lo que significa que la distribución es leptocúrtica
indicándonos que los datos se agrupan en su mayoría en dos clases impidiendo
una distribución normal.
En la naturaleza las especies no cumplen con patrones de distribución ho-
mogéneos por razones aleatorias dictadas por el tipo de paisaje en el que se en-
cuentren. El caso de estas aves de presa no es la excepción, ya que no hacen
un uso extensivo del terreno de manera uniforme aun cuando parece que éste
cumple con las descripciones de hábitat revisadas en la literatura. Desde que los
Distribución de aves rapaces en Los Tuxtlas: un acercamiento espacio-estadístico . 133
Elevación, X_ELEV
Para la variable de elevación la media calculada fue de 450.91 y la desviación es-
tándar en 265.60, así que utilizando ambos resultados se obtiene la dispersión to-
tal de los valores alrededor de la media, que en este caso está entre 185.31 y 707.51,
esta dispersión de valores es moderada. La varianza se localiza en 70545.55. El
error estándar de la media es 33.20, significando que existe una gran diferencia
entre la media observada y la teórica. La asimetría está en 0.733 y la curtosis en
0.117; lo que significa que la distribución de frecuencias es casi normal, en otras
palabras, la curva tiene un sesgo positivo hacia la izquierda, mostrando una cam-
pana moderada o mesocúrtica.
Como se sabe, el área en estudio es una cadena montañosa con altitudes
que van desde el nivel del mar hasta los 1 720 m. Esta distribución altitudinal
parece casi normal de acuerdo con las estadísticas, lo que significa que hay una
elevación parcialmente homogénea en toda la zona derivada del remuestreo del
modelo digital de elevación al tamaño de celda. Esta variable no es esencial en
la distribución del género Buteo ya que acostumbran vivir desde el nivel del mar
hasta los 1 800 m sobre éste de acuerdo con la literatura, pero tomando en cuenta
la falta de normalidad en la distribución de los puntos observados esta variable
podría ser una respuesta para la distribución que presentan por clúster.
Distribución de aves rapaces en Los Tuxtlas: un acercamiento espacio-estadístico . 135
Pendiente, X_SLOPE
Para la variable pendiente la media calculada fue 7.25 y la desviación estándar
3.83, utilizando ambos resultados se obtiene la dispersión total de los valores
alrededor de la media, que en este caso está entre 3.42 y 11.08, y se sabe que esta
dispersión de los valores es moderada. La varianza se localizó en 14.7. El error
estándar de la media está en 0.48, lo que significa que no hay diferencia entre la
media observada y la teórica. La asimetría está en -1.66 y la curtosis en 3.671; esto
significa que la distribución de la frecuencia no es normal, en otras palabras, la
curva tiene un ligero sesgo positivo a la izquierda mostrando un pico o campana
leptocúrtica por encima de la normal.
La distribución de la pendiente va del cero hasta cañones de paredes escarpa-
das. Siguiendo las estadísticas descriptivas, no existe una distribución homogénea
que represente la compleja orografía de la zona en estudio, lo cual se apega mucho
a la realidad. Esta variable no es particularmente importante para la distribución
del género Buteo porque el área que utilizan normalmente se encuentra en zonas
planas y/o con ligeras pendientes, siendo éstas abiertas o semi-abiertas pero una
vez más tomando en cuenta la anormal distribución de los puntos observados
esta variable estadísticamente nos podría dar una respuesta.
Localidades, X_TOWN
Para la variable de localidades la media fue calculada como 6035.6 y la desviación
estándar fue 3465.50. Utilizando ambos resultados, se obtiene la dispersión total
de los valores alrededor de la media que en este caso está entre 2570.1 y 9501.1,
y esta amplia dispersión nos dice que los valores están disgregados. La varianza
se localiza en 12009698.49. El error estándar de la media fue 433.19, significan-
do que existe una enorme diferencia entre la media observada y la teórica. La
asimetría fue 0.673 y la curtosis fue -0.609; esto significa que la distribución de
la frecuencia es casi normal. Aunque, la curva tiene un ligero sesgo positivo a la
izquierda, mostrando una campana moderada por debajo de normal.
La presencia humana es parte del paisaje en casi cualquier lugar y Los Tux-
tlas no es la excepción. Las actividades antropogénicas en el área en estudio apare-
cen como manchas de diferentes tamaños y están bien distribuidas. Los números
y la dispersión concuerdan con el mundo real mostrando una distribución casi
normal a través del área. Estas actividades suelen crear presión sobre el paisaje en
muchos aspectos como el uso de la madera, la caza o los vertederos. En este caso,
una distribución normal de la presencia de localidades no representa una buena
señal para el área, esto habla de una alteración a todo el medio natural, siendo
una consideración de peso para obligar al género Buteo a hacer un uso limitado
del paisaje aun cuando tienen conductas territoriales específicas.
Distribución de aves rapaces en Los Tuxtlas: un acercamiento espacio-estadístico . 137
sea una abstracción de la realidad, como en este estudio, donde las aves rapaces
no se representan de forma homogénea. En este caso se debe a la representación
puntual de las aves, que en la realidad son polígonos, así como sus territorios o
áreas de influencia, y que esa representación podría ofrecer una mejor solución
en el espacio. En el caso de las variables independientes sucede algo similar, no
son píxeles únicos o un conjunto de ellos encasillados en una categoría estadís-
ticamente de forma perfecta en el espacio para facilitar un análisis, hablar de
análisis espacial con datos duros es algo incompleto ya que en ningún momento
se toman en cuenta las relaciones espaciales, en donde el dominio del espacio, de
la topología y de los eventos son considerados por lo que se dará continuidad a los
análisis siguiendo muy de cerca la literatura del género Buteo.
X_STREAM
X_ASPECT
X_GREEN
X_TOWN
X_SLOPE
X_ROAD
X_NDVI
X_ELEV
B_PTS
Pearson
B_PTS
Sig. (2-tailed) .058 . .000 .000 .000 .747 .474 .000 .000
Pearson
.192 .907 1.000 .446 .636 .141 -.251 .440 .476
Correlation
Sig. (2-tailed) .130 .000 . .000 .000 .267 .045 .000 .000
Pearson
-.017 .480 .446 1.000 .554 .212 .019 .600 .295
Correlation
Sig. (2-tailed) .895 .000 .000 . .000 .093 .879 .000 .018
Pearson
.100 .549 .636 .554 1.000 .080 -.160 .582 .609
Correlation
Sig. (2-tailed) .433 .000 .000 .000 . .530 .207 .000 .000
Pearson
-.222 -.041 .141 .212 .080 1.000 -.462 -.117 -.257
Correlation
Sig. (2-tailed) .077 .747 .267 .093 .530 . .000 .359 .040
Pearson
.289 .091 -.251 .019 -.160 -.462 1.000 -.011 -.132
Correlation
Sig. (2-tailed) .020 .474 .045 .879 .207 .000 . .930 .300
Pearson
.046 .469 .440 .600 .582 -.117 -.011 1.000 .568
Correlation
Sig. (2-tailed) .721 .000 .000 .000 .000 .359 .930 . .000
Pearson
.236 .440 .476 .295 .609 -.257 -.132 .568 1.000
Correlation
Sig. (2-tailed) .060 .000 .000 .018 .000 .040 .300 .000 .
lidades. Tal vez la razón de está débil relación se debe a la forma en que los datos
se crearon; la orientación de laderas en forma radial, para los cuerpos de agua y
localidades el cálculo de la distancia lineal del rasgo hacia afuera. Extrañamente,
la variable vías de comunicación que es parte del paisaje antrópico no muestra
el mismo comportamiento que la presencia de agua y las localidades, aunque se
calculó de la misma manera (distancia lineal desde los rasgos). Tal vez el número
de rasgos involucrados en la generación de las distancias; el número de caminos
es menor al de las localidades o de la presencia de agua.
Los otros tres coeficientes que mostraron relaciones casi nulas en sus valores
fueron entre orientación de laderas-índice de verdor, presencia de agua-elevación
y presencia de agua-vías de comunicación. En estos tres casos, una variable per-
tenece al MDE o al conjunto de datos de localidades y vías de comunicación, y el
origen de estos valores puede influir en el coeficiente de Pearson.
El nivel de significación en este segundo análisis muestra que 18 de 28 coefi-
cientes tienen una relación lineal, lo que nos dice que cuando una variable au-
menta, la otra también lo hace. En otras palabras, están linealmente relacionadas.
A partir de estos 18 valores significativos, 16 tienen cero y las otras dos tienen
0.018, 0.040 y 0.045. Los diez coeficientes que no caen dentro del nivel de sig-
nificación muestran valores altos, que nos dice que tal vez la relación entre estas
variables no es lineal o que no hay tal relación. Las variables que mejor se ajustan
al nivel de significación son índice de vegetación NDVI y localidades, mientras las
variables que peor se ajustan son orientación de laderas y presencia de agua. Las
otras cuatro variables explicativas se ajustan al nivel de significación pero solo un
70% con respecto a las otras variables.
Como descripción general de la matriz de correlación, todas las variables
muestran una relación pobre con un excelente nivel de significación. Excluyendo
el coeficiente de Pearson de índice de verdor-índice de vegetación NDVI, el resto
de la tabla parece útil para el análisis estadístico, porque en términos generales,
esta matriz nos dice que la información contenida en cada variable es diferente
con respecto a las otras variables.
Regresiones múltiples
1. Orientación de laderas.
2. Elevación.
3. Vías de comunicación.
4. Pendiente.
5. Localidades.
6. Índice de verdor Tasseled Cap.
Para llegar a la regresión final con 95% de nivel de confianza con las variables
índice de vegetación NDVI y presencia de agua, como se muestra en la Tabla 5.
Biológicamente hablando, las dos variables resultantes son esenciales para la
vida, no hay vegetación sin agua, y viceversa, además, la presencia o ausencia de
Unstandardized Standardized
Model B Coefficients Coefficients t Sig.
Std. Error Beta
1 (Constant) -49.933 21.638 -2.308 .025
X_GREEN -.398 .248 -.746 -1.605 .114
X_NDVI .365 .170 1.056 2.146 .036
X_ELEV -2.131E-03 .004 -.093 -.541 .591
X_SLOPE -.223 .304 -.140 -.733 .467
X_ASPECT -8.499E-04 .020 -.007 -.042 .967
X_STREAM 7.124E-03 .002 .639 3.135 .003
X_ROAD -5.300E-04 .001 -.106 -.610 .545
X_TOWN 5.593E-04 .000 .317 1.827 .073
a Variable dependiente: B_PTS
Fuente: SPSS, versión 11.
Distribución de aves rapaces en Los Tuxtlas: un acercamiento espacio-estadístico . 143
Coeficientes
Unstandardized Standardized
Model B Coefficients Coefficients t Sig.
Std. Error Beta
(Constant) -15.972 6.850 -2.332 .023
1 X_NDVI 9.753E-02 .042 .282 2.323 .024
X_STREAM 4.013E-03 .001 .360 2.968 .004
animales está determinado por esas dos variables. El género Buteo muestra una
fuerte relación con el índice de vegetación NDVI, siendo éste previsible ya que las
estadísticas descriptivas muestran una buena descripción del paisaje, además de
la explicación en la revisión bibliográfica. La segunda variable se presenta como
una gran sorpresa, con una mejor significación que la vegetación; los números
mostrados por las estadísticas descriptivas y el histograma no revelaron el valor
real de la presencia de agua para este género.
De acuerdo con la revisión de la literatura del género Buteo, el uso de la ve-
getación es extremadamente importante, más específicamente los bordes del bos-
que. El resultado obtenido de la regresión con el 95% de confianza, corrobora la
historia de vida de estos animales. Una posible explicación para entender la pre-
sencia de agua dentro del 95% de confianza puede ser el gran lago en medio del
área en estudio y la metodología de cuadrantes usada que hace que ésta resultara
una buena variable para explicar los puntos del género Buteo. Como se mencionó
antes, para obtener los cuadrantes se promedió un cierto número de píxeles, en
esta etapa de “cambio de tamaño” el elemento agua se incorporó a aquellas celdas
donde solamente una pequeña proporción estaba dentro de la celda, dando la
impresión de que el elemento agua es más grande que el real.
El mismo procedimiento fue utilizado en un nuevo conjunto de regresiones
con el fin de excluir la variable índice de verdor, debido a las semejanzas descritas
en el análisis de correlación entre estas dos variables, y teniendo en cuenta que la
variable índice de vegetación NDVI surge de la primera serie de regresiones.
En esta segunda ronda de regresiones, siete variables explicativas se utiliza-
ron como punto de partida (Tabla 6) y se inició el proceso de eliminación.
Esta vez el proceso de eliminación fue:
144 . José Antonio Quintero Pérez y Ana Rosa Rosales Tapia
1. Orientación de laderas.
2. Pendiente.
3. Vías de comunicación.
4. Localidades.
5. Elevación.
Los resultados en la regresión final al 95% de nivel de confianza son las varia-
bles índice de vegetación NDVI y presencia de agua que se muestran en la Tabla 7.
Como se puede ver, las regresiones finales con y sin índice de verdor tienen el
mejor nivel de significación conteniendo las mismas variables explicativas.
El hecho de que las mismas variables con los mismos niveles de confianza
se obtuvieran en los dos conjuntos de regresiones indica que el índice de verdor
no explica la presencia del género Buteo en el área en estudio. Como se mencio-
nó anteriormente, las estadísticas descriptivas de la variable índice de verdor no
muestran una representación del mundo real.
Ambos conjuntos de regresiones, con y sin índice de verdor, resultan con
dos variables en ambos casos, índice de vegetación NDVI y presencia de agua, que
son las variables que mejor explican las observaciones del género Buteo. Aunque
el proceso de eliminación se realizó en orden diferente en cada regresión, la vege-
tación y las fuentes de agua aclaran la relación entre estos animales y el paisaje,
lo cual se intentará comprobar utilizando dummies en un nuevo conjunto de
regresiones.
Interpretación estadística
El coeficiente de determinación (R 2) es una medida de bondad para ajustar un
modelo lineal, también llamada R cuadrada. Es la proporción de la variación de
la variable dependiente explicada por el modelo de regresión, que oscila en su
valor, de 0 a 1. Los valores pequeños indican que el modelo no se ajusta bien a los
datos. En esta caso, la R 2 es 0.158 (Tabla 8), que indica que el 15.8% de la varia-
ción de la variable dependiente en el modelo puede ser explicada por las variables
independientes. La variación en la variable dependiente que no se puede explicar
por las variables independientes se conoce como la suma de cuadrados residual
(Tabla 9), que en este caso es de 1 976.325.
La R cuadrada ajustada intenta corregir R 2 para reflejar mejor la bondad de
ajuste del modelo. Es este caso la R cuadrada ajustada es 0.131, que solo explica
el 13.1% de la variación.
Dummies
De acuerdo con la literatura, el género Buteo utiliza los bordes del bosque donde
los espacios abiertos comienzan. Estas aves rapaces usan las ramas superiores
de los árboles para anidar cerca de los bordes de los bosques y es en los campos de
cultivo y pastizales donde cazan y se alimentan. Con el fin de probar el modelo
de regresión y siguiendo la literatura, se creó un conjunto de dummies utilizando
el histograma del índice de vegetación NDVI (Figura 6). Para establecer los límites
entre los bosques y los espacios abiertos se crearon dos dummies binarios diferen-
tes, el primero denominado a, se generó utilizando el bosque/límites de espacios
abiertos con el código binario 1 y el resto de los valores del histograma con el
código 0. El segundo dummy, llamado b, se generó al contrario, bosque/límites
de espacios abiertos con el código binario 0 y el resto de los valores del histogra-
ma con el código 1. Los límites del bosque/espacios abiertos se establecieron con
los valores de píxel 156 al 172. Haciendo uso de esta regla de decisión, todos los
puntos de observación que caen en el rango de los bordes para el dummy a tienen
Distribución de aves rapaces en Los Tuxtlas: un acercamiento espacio-estadístico . 147
60000
VALUE COUNT
40000
20000
0
60 76 92 108 124 140 156 172 188 204
68 84 100 116 132 148 164 180 196
VALUE
1 y todos aquellos puntos de observación que caen fuera del rango tienen 0. Por
el contrario, para el dummy b, aquellas observaciones que caen dentro del rango
tienen 0 y las que caen fuera tienen 1.
Una vez que se crearon los dummies, se usaron cuatro regresiones con el fin
de probar el modelo. Estos dummies se multiplicaron por la variable del NDVI en
cada regresión. La primera y segunda regresiones se probaron usando el dummy
a, donde la variable verdor está presente en el primer modelo y ausente en el
segundo. De la misma manera, pero utilizando el dummy b, la tercera y cuarta
regresiones se probaron usando la ausencia/presencia del verdor, respectivamente.
Como se describió en la metodología de la regresión lineal, las variables se elimi-
naron una a una usando el valor-t hasta que el nivel de significación alcanzó el
95% de confianza.
Dummy a
Después de seguir la metodología descrita anteriormente, ambos modelos, con y
sin verdor, las regresiones lineales resultaron con solo dos variables explicativas,
cuerpos de agua y asentamientos. Cada variable fue eliminada una por una en
diferente orden en cada modelo, pero obteniendo los mismos resultados que se
muestran en la Tabla 10.
Dummy b
Una vez más, siguiendo la misma metodología, se encontró que las pruebas donde
se utilizó el dummy b eran idénticas. En ambos casos, las variables independien-
148 . José Antonio Quintero Pérez y Ana Rosa Rosales Tapia
Coeficientes
Unstandardized Standardized
Model B Coefficients Coefficients t Sig.
Std. Error Beta
1 (Constant) -3.649 1.905 -1.916 .060
X_STREAM 3.634E-03 .001 .326 2.755 .008
X_TOWN 4.917E-04 .000 .279 2.359 .022
a Variable dependiente: B_PTS
Fuente: SPSS, versión 11.
tes se eliminaron una por una hasta llegar al 95% de nivel de confianza en los
valores de significación, como en el dummy a. Ambos resultados de los dummies
de regresión, con y sin verdor, resultaron con cuerpos de agua y asentamientos
como las variables que explican las observaciones dependientes.
Acorde a los resultados de las regresiones hechas incorporando los dum-
mies antes descritos, la vegetación representada por la cobertura del índice de ve-
getación NDVI no resulta ser significativa de acuerdo con el 95% de nivel de
confianza con el que se corrió el modelo. Una explicación estadística puede ser la
fragilidad del modelo en cuanto a la metodología en la preparación de las varia-
bles independientes ya que el origen de la información y el procedimiento en el
cálculo de las distancias a los rasgos en cada tema pudo no haber sido el adecuado
para todas las variables. Es probable que como la vegetación fue obtenida de ma-
nera directa de la imagen del satélite mediante el cálculo de un índice, mientras
que las coberturas utilizadas de agua y localidades eran de origen vectorial a las
cuales se les hizo un proceso de generar áreas de influencia para obtener las dis-
tancias y se procedió a rasterizar, y aunado al proceso de remuestreo para obtener
los valores de las celdas, el procesamiento de los datos durante la regresión no
mostró coherencia. Desde el punto de vista biológico, para las especies del género
Buteo la vegetación es la base de su hábitat pero no necesariamente le dan el uso
que la literatura describe, este argumento aparentemente incoherente puede estar
bien representado en nuestro modelo con el uso de puntos en el espacio, es decir,
las aves no son estáticas, hacen un uso del paisaje bastante extenso y no se pueden
representar de forma puntual, se debió analizar un área de influencia para cada
uno de los puntos de observación, para transformar de punto a polígono y enton-
Distribución de aves rapaces en Los Tuxtlas: un acercamiento espacio-estadístico . 149
Conclusiones finales
Introducción
Antecedentes teóricos
reducida del completo (Figura 1). Por ejemplo en el espacio urbano se puede re-
gistrar la repetición de un mismo motivo. Este motivo depende y traduce el nivel
tecnológico y/o cultural de una civilización dada (véase por ejemplo Teotihuacan;
Oleschko et al., 2000).
La repetición del motivo puede ser isotrópica o anisotrópica. Cuando un
objeto se escala de forma isotrópica se nota que existe una misma proporción en
dos direcciones perpendiculares entre sí. Se dice que se trata de un fractal estadís-
ticamente auto-similar. Por ejemplo, para una curva en un plano de coordenadas
x,y la invarianza de escala se obtiene cuando se reduce o aumenta la escala por un
mismo factor en ambas direcciones.
x → γx y y → γx
Generador
154 . Jean-François Parrot
log(N(L))
D = lim
L→0 log(L)
x → γx y y → γξ y
1 np
h(r) = ∑ a(r)
np 1
1 N
donde la desviación estándar a(r) es igual a a(r) = √
N i=1
-2
∑ (xi - x) , y np es el
número de veces que la ventana de tamaño r se desliza. El mismo tratamiento se
repite para tamaños crecientes de la ventana.
El exponente de Hurst H o exponente de rugosidad ξ se obtiene a partir
del gráfico logh(r)/logr de acuerdo con la ecuación h(r) ≈ r ξ. En el plano log-log,
la ecuación anterior toma la forma de una recta log(h(r)) ≈ ξlog(r). Si la gráfica
L = 1 N(L) = 213 L = 2 N(L) = 76 L = 3 N(L) = 43
2.4
2.2
1.8
1.6
log N(L)
1.4
1.2
1
0 0.2 0.4 0.6 0.8 1
log L
L = 4 N(L) = 29 L = 6 N(L) = 15
D = 1.467 R2 = 0.999
Aplicación del software FROG_V2 en el análisis fractal del espacio geográfico . 155
A B
Figura 3. Representación de los objetos euclidiano y fractal. A. Cuadrado. B. Copo de Nieve
o estrella de Koch.
Aplicación del software FROG_V2 en el análisis fractal del espacio geográfico . 157
píxeles del objeto y Xi Yi las coordenadas de los píxeles del objeto) y los píxeles
que describen el perímetro de los objetos ya mencionados se reportaron en un
diagrama de frecuencia (diagrama de Bode) lo que permite medir la rugosidad
del perímetro (Figura 4).
Como se puede esperar en el caso del cuadrado, el valor de x es casi igual
a 1; la diferencia proviene del tratamiento que elimina los píxeles de las cuatro
esquinas del cuadrado para obtener una curva de camino 8, es decir, una curva
formada por segmentos de 1 a n píxeles que solo se juntan por las esquinas. Lo
mismo ocurre con el copo de nieve en donde su Dimensión Fractal calculada es
de 1.23 contra un valor matemático de 1.25.
190
230 180
170
210 160
150
190 140
130
170 120
110
150 100
1 84 167 250 333 416 499 582 665 748 831 914 997 1080 1163 1246 1329 1 201 401 601 801 1001 1201 1401 1601 1801 2001 2201 2401 2601
lección de los parámetros que pueden ser simples o complejos (Parker, 1994). Los
parámetros simples se calculan en el espacio euclidiano, por ejemplo la superficie
o el perímetro y las relaciones entre ambos.
Los parámetros más complejos son las medidas que impliquen comparar la
forma en estudio con formas simples como son el cuadrado, el círculo o la zona
convexa más pequeña que encierre dicha forma. Generalmente se necesita calcu-
lar el centro de gravedad, la presencia o la ausencia de una simetría de revolución.
Se explican con más detalles estas definiciones en Parrot (2007).
No solo se pueden utilizar estos parámetros para elegir una forma, sino tam-
bién para clasificar un conjunto de diversas formas como lo hace el software
FROG_V2, el cual calcula un panel de parámetros que describen todas las formas
estudiadas:
También en función del valor en metros de la longitud del lado del píxel, es
decir la resolución de la imagen, se indica el valor de la superficie en kilómetros
cuadrados.
Morfología matemática
a) Dos conjuntos son iguales cuando están formados por los mismos ele-
mentos
X ⊆ Y ⇔ (p∈X ⇒ p∈Y ).
160 . Jean-François Parrot
X ∩ Y = (p | p∈X o p∈Y ).
X ∪ Y = (p | p∈X o p∈Y ).
X \ Y = (p | p∈X o p∉Y ).
8Adj. MAT. En un conjunto donde se ha definido una operación simbolizada por *, se dice
del elemento a que cumple a * a = a.
162 . Jean-François Parrot
A. Dilatación B. Erosión
C. Abertura D. Cierre
del umbral. Con la imagen binaria así obtenida, se puede hacer un etiquetado
separando los diversos elementos que componen eventualmente el objeto en es-
tudio, de tal manera que sea posible comparar los diferentes componentes conec-
tados. Una vez obtenida una imagen etiquetada, una serie de nuevas funciones
permiten manipular los elementos de dicha imagen, todo esto con el objetivo de
especificar y definir sus valores en tonos de gris, de agruparlos manualmente o
Aplicación del software FROG_V2 en el análisis fractal del espacio geográfico . 163
Existen varios tratamientos que permiten extraer las zonas edificadas. Sin em-
bargo, solo se presentan aquí dos tipos de tratamiento. El primero consiste en
definir los valores de reflectancia de las zonas de entrenamiento (techos y terraza
de las casas y edificios) para cada banda de una imagen de satélite. En este caso el
programa multidim_class.exe (Parrot, 2005) define a partir de estos valores, cuá-
les son los conjuntos de píxeles que corresponden al tema seleccionado. Por otro
lado, Zha et al. (2003) propusieron utilizar índices de reflectancia tales como el
Normalized Difference Vegetation Index (NDVI) y el Normalized Difference Built-
up Index (NDBI) para extraer los edificios e inmuebles; se verá aquí como se puede
mejorar este acercamiento para responder mejor a esta problemática.
164 . Jean-François Parrot
Umbral y clasificación
El principio del algoritmo propuesto por Zha et al. (2003) y modificado por
Chunyang He y Dingyong Xie en 2008, quienes tomaron en cuenta la aproxima-
ción de la segmentación semi-automatizada llamada “Double-Window Flexible
Pace Search [DFPS]” propuesta por Chen et al. (2003), se basa sobre la interde-
pendencia que se supone existir entre el NDVI y el NDBI.
TM4 - TM3
NDVI =
TM4 + TM3
Por otra parte, el NDBI [Normalized Difference Built-up Index] se basa sobre
una relación similar que toma en cuenta las bandas TM4 y TM5.
TM5 - TM4
NDBI =
TM5 + TM4
En ambos casos, los valores del NDVI y del NDBI están comprendidos entre
-1 y 1 (valores normalizados entre 0 y 255 en las imágenes en tonos de gris). El
algoritmo considera que para el NDVI la vegetación activa va de 0 a 1; por esta
razón las zonas edificadas corresponden a un valor del NDVI entre -1 y 0; por otro
lado, estas zonas corresponden para el NDBI a un valor entre 0 y 1. Sin embargo,
los resultados que se obtienen siguiendo escrupulosamente el algoritmo desarro-
llado por Chunyang He y Dingyong Xie (op. cit.) no corresponden totalmente a
las zonas edificadas. De hecho los autores plantean que cuando la vegetación se
hace más escasa el algoritmo extrae estos datos con dificultad.
En realidad se necesitan analizar los histogramas de las imágenes resultantes
de estos dos índices (Figura 7) para definir con precisión los valores que corres-
ponden a la ausencia de vegetación activa en el caso del NDVI y los valores que
cubren eventualmente la zona edificada en el caso del NDBI.
166 . Jean-François Parrot
A. NDVI B. NDBI
Figura 8. Histogramas de
60000
los dos índices.
50000
40000
NDVI
30000
NDBI
20000
10000
0
1 19 37 55 73 91 109 127 145 163 181 199 217 235 253
NDBI
3 segmentos 28-135 136-165 166-243
NDVI
3 segmentos 29-61 62-114 115-255
1.5
DF
1.4
1.3
1.2
1.1
1
0 5 10 15 20 25
Zonas
15
10
0
0 10 20 30 40 50 60
Convexidad
25
1
75
3
50
2 4
50
6 8
75
5 7 9
25
11 13 15
10 12 14 16
V S
25 50 75
174 . Jean-François Parrot
B B
25 25
75 75
50 50
50 50
75 75
25 25
V S V S
25 50 75 25 50 75
A B
Figura 17. Análisis de la repartición de los edificios, la vegetación y los suelos desnudos en dos
regiones de la zona 4. A. región norte; B. región suroeste.
40
Zona 14 Norte
Zona 14 Suroeste
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
B 4
12
150
100
50
0
0 500 1000 1500 2000 2500 3000 3500
Número de píxeles
Aplicación del software FROG_V2 en el análisis fractal del espacio geográfico . 177
1.6
1.5
Zona 4 [H = 0.847]
1.4 Zona 7 [H = 0.774]
Zona 12 [H = 0.259]
1.3
1.2
1.1
1
0 0.2 0.4 0.6 0.8 1
1
Figura 22. Histograma bi-
dimensional Exponente de
0.9 Hurst versus Parámetro Y.
0.8
Exponente de Hurst
0.7
0.6
0.5
0.4
70 75 80 85 90
Parametro
Zona 4 100%.
20 Zona 7
Zona 12
10
0
1 2 3 4
Rangos de homogeneidad
i-r+1,j-r i-r+1,j-r+1
r = (m - 1) / 2
3.5
Figura 26. Histograma de la
repartición de la Dimensión
3
Fractal en las tres zonas prin-
2.5 cipales.
Porcentaje
Zona 4
2
Zona 7
1.5
Zona 12
1
0.5
0
100 120 140 160 180 200
DF * 100
180 . Jean-François Parrot
Epílogo
Sin duda los eventuales lectores que tuvieron el valor de llegar hasta este punto,
se dieron cuenta de que no hay ninguna conclusión correspondiente a los tra-
tamientos presentados en el apartado anterior. La intención era mostrar lo que
puede aportar el uso de diversos aspectos de la medición de la dimensión fractal
así como la morfología matemática y el reconocimiento de patrones. El asunto
del espacio urbano no corresponde a mi especialidad y como se dice en francés
“Cada uno dedicado a su profesión y las vacas serán bien guardadas” o bien en
español “Zapatero a tus zapatos”. Se podrían haber tomado en cuenta otros temas
de aplicación, pero en una conferencia que sobre la dimensión fractal, se mostró
el aporte del exponente de Hurst en el estudio de la rugosidad de un perímetro
urbano. Se tomó como ejemplo el caso del perímetro de la Ciudad de México
entre los años 1954 y 2001 mostrando que el incremento progresivo del valor del
coeficiente de Hurst (de 0.782 hasta 0.880) traducía la compactación de esta zona
urbana que no solo se come por el interior sino por la invasión de toda zona libre
en la periferia llegando a una suavización del perímetro. A partir de este ejemplo
se propuso un esquema que tal vez podría explicar el desarrollo de un ciudad de
América Latina desde la época colonial hasta el presente (Figura 27).
0.9
Figura 27. Evolución hipoté-
Época colonial
Nuevo llenado tica del exponente de Hurst
0.85
del perímetro urbano en fun-
ción del tiempo.
Exponente de Hurs
Crecimiento radial
0.8 Llenado progresivo
del espacio inter-radial
0.75
0.7
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Tiempo
Aplicación del software FROG_V2 en el análisis fractal del espacio geográfico . 181
Por otro lado, el objetivo no era el enfoque sobre una aplicación, sino mos-
trar el aporte del software que desarrollé para cualquier estudio que necesita
basarse sobre el uso de la dimensión fractal: paisajes, espacios tridimensionales,
deforestación, suelos, etc. Ojalá que FROG_V2 sea una herramienta (que se pue-
de mejorar en el futuro en función de las observaciones de los usuarios) útil para
los equipos de investigación que lo van a utilizar.
Capítulo 7. Reconocimiento automatizado de las zonas
de encharcamiento a partir de un Modelo
Digital de Elevación. Ejemplo de la zona urbana
de Valle de Chalco, México
Carolina Ramírez Núñez
Posgrado en Ciencias de la Tierra,
Universidad Nacional Autónoma de México
Jean-François Parrot
Laboratorio de Análisis Geoespacial, Instituto de Geografía
Universidad Nacional Autónoma de México
Introducción
Estado de
México
Distrito Federal
2140000
Cuenca de México
2135000
VALLE DE CHALCO
SOLIDARIDAD
TLÁHUAC
Canal General
2130000
C. Xico
Escala gráfica
10 5 0 10Km
2125000
Figura 1. Zona urbana de San Miguel Xico, municipio de Valle de Chalco Solidaridad,
Estado de México.
186 . Carolina Ramírez Núñez y Jean-François Parrot
SPM-SC
-3 AvCua
SPM-SC
-4 SPM-SC
CCh-T
-5 SPM-SC
SPM-SC
-6 CCh-T
SPM-SC
-7 SPM-SC
Figura 2. Puntos acotados de subsidencia en 1986, 1991, 1997 y 2006 por la Comisión Na-
cional del Agua (CONAGUA, 2010) obtenidos en la Carretera Chalco-Mixquic (CCh-M);
Avenida Cuauhtémoc (AvCua); Carretera Chalco-Tláhuac (CCh-T) y el Sistema de Pozos
Mixquic-Santa Catarina (SPM-SC), municipio de Valle de Chalco Solidaridad.
Metodología
0 Escala gráfica 1 Km
2128370
506000
a) MDT
El MDT de una zona esencialmente plana y con hundimientos diferenciales re-
quiere de una mayor cantidad de información altitudinal, por lo que se obtuvie-
ron puntos acotados mediante Sistemas de Posicionamiento Global de precisión.
Las mediciones vectoriales se añadieron al área delimitada por las curvas de al-
188 . Carolina Ramírez Núñez y Jean-François Parrot
b) Cálculo de lámina
La extracción de las zonas de encharcamiento requiere de un análisis previo del
comportamiento de la lluvia para determinar la cantidad de agua que se distri-
buirá en el MDT. La temporada de lluvia de la subcuenca Chalco se presenta
durante los meses de mayo a octubre, esto por el gran aporte de humedad que
llega al continente proveniente de los ciclones tropicales de los océanos Pacífico y
Atlántico; y una menor cantidad ocurre durante la temporada seca del año, si
bien este comportamiento es estacional, los eventos que han generado inunda-
ciones severas en la zona no han ocurrido solamente durante la temporada de
lluvias. Para determinar el comportamiento de la precipitación pluvial se utilizó
el Exponente de Hurst (H), el cual mide la aleatoriedad o persistencia de un fenó-
meno (Hurst, 1951). En este caso, el exponente de Hurst obtenido del análisis de
la serie de datos de precipitación pluvial diaria de la estación climatológica Chal-
co (1961-2008), (SMN, 2010; Figura 4), (H=0.271) indica la irregularidad del fe-
nómeno por lo que el desencadenamiento de inundaciones también es aleatorio.
El volumen de agua como dato de entrada para la generación de encharca-
mientos se obtuvo con base en un análisis de frecuencia (Osman y Houghtalen,
2003) que utiliza la distribución de probabilidad de Gumbel, misma que se ajusta
a la mayoría de los datos de precipitación. La cantidad de precipitación máxima
esperada en 24 hr en un periodo de retorno de cinco años es de 49 mm en tanto
Tabla 2. Valores de altitud máxima y mínima medidos en diferentes sitios de la zona de San
Miguel Xico, municipio Valle de Chalco Solidaridad
Altitud (msnm)
Zona de medición
mín. máx.
Canal General 2 227.21 2 228.55
Calle Acapol 2 224.55 2 228.96
Ferrocarril Cuernavaca-México 2 227.003 2 229.26
Calles 2 226.87 2 228.91
Reconocimiento automatizado de las zonas de encharcamiento a partir de un Modelo... . 189
90
80
70
60
Precipitación (mm)
50
40
30
20
10
0
02
77
92
97
00
03
05
67
75
19 2
94
95
98
07
08
61
19 2
64
69
70
19 2
74
19 8
65
79
85
80
84
90
87
8
6
20
19
19
19
20
20
20
19
19
19
19
19
19
20
20
19
19
19
19
19
19
19
19
19
19
19
Figura 4. Precipitación pluvial diaria de la estación climatológica Chalco durante el periodo
1961-2008 (fuente: SMN, 2010).
que para diez años es de 58 mm; por otra parte, la máxima cantidad de precipi-
tación estimada para un periodo de retorno de un siglo (88 mm) es cercana a la
ya registrada en la estación climática Chalco con 80 mm. El volumen de agua
utilizado en las simulaciones corresponde al de 49 y 88 mm, respectivamente.
Resultados
El algoritmo detecta 102 depresiones en la zona urbana de San Miguel Xico; las
depresiones con el fondo de menor altitud se distribuyen en forma paralela al Ca-
nal General y corresponden con el área de mayor hundimiento regional estimado
por Ortiz y Ortega (2010). Las zonas de encharcamiento con una precipitación
de 49 mm alcanzan láminas de 15 cm, y de 19 cm cuando la precipitación es de
88 mm en un periodo de 24 hr. La mayor parte de las depresiones tienen una
superficie menor a los 100 000 m2 con láminas <10 cm, en tanto que las depre-
siones con una superficie >100 000 m2 son muy pocas y registran láminas de
entre 2 y 19 cm (Figura 6).
La mayoría de las zonas de encharcamiento son de poca profundidad pero su
volumen y superficie varía (Figura 7). A través del Análisis de Cluster es posible
determinar grupos de objetos internamente homogéneos y lo más heterogéneo al
Reconocimiento automatizado de las zonas de encharcamiento a partir de un Modelo... . 191
Figura 6. Resultados de la
simulación con el algoritmo
Vía de
Charcos que muestra (a) las
Ferrocarril zonas de encharcamiento
(rojo) y (b) las depresiones
definidas en función de la
Canal General
altitud del fondo (matiz de
azul).
b
Altitud de las micro-cuencas lacustres
(msnm)
Ubicación de los charcos
2225 2229
Figura 7. Profundidad de la
lámina de agua en cada de-
presión para una precipita-
Vía de
Ferrocarril ción pluvial de 49 y 88 mm
Lámina (cm) (b y d, respectivamente).
Canal Generl
1
15
a
Lámina (cm)
19
b
Reconocimiento automatizado de las zonas de encharcamiento a partir de un Modelo... . 193
Tabla 3. Valores medios por grupo de charcos con una precipitación máxima de 49 mm en
24 hr
Valores medios por grupo Superficie (m2) Volumen (m3) Profundidad (cm)
1 178433 8922 11
2 343100 17155 7.4
3 17326 866 1.2
Tabla 4. Valores medios por grupo de charcos con una precipitación máxima de 88 mm en
24 hr
Valores medios por grupo Superficie (m2) Volumen (m3) Profundidad (cm)
1 178 433 14 275 13.5
2 343 100 27 448 8.7
3 17 326 1 386 1.6
18
Figura 8. Relación entre la
16
profundidad con el volumen
de las zonas de encharca-
14
miento con 88 mm de lluvia.
12
Profundidad (cm)
10
0
0 5000 10000 15000 20000 25000
y=0.0006x Volumen (m 3)
R 2=0.4802
194 . Carolina Ramírez Núñez y Jean-François Parrot
Leyenda
algoritmo de Johnson.
Grupos de Encharcamientos (ejemplos)
Espesor del acuitardo lacustre (m) estimado por
Ortiz-Zamora y Ortega-Guerrero, 2010
Sistemas de Pozos Mixquic -Santa Catarina
(CONAGUA, 2010)
0 Escala gráfica 1 Km
2128370
506000
Encharcamiento
24
10
Encharcamiento
11
0
0 10000 20000 30000 40000
Volumen en (m3)
Reconocimiento automatizado de las zonas de encharcamiento a partir de un Modelo... . 195
Conclusiones
Introducción
Localización
116º 88º
32º 32º
E S TA D O S U N I D O S
SIS
TE
PE
CH
IH DE MA
NÍN
UA
HU
SU
A
LA
DE
(Go
MAo de B
BA
SIE
lf
R D aj a
JA
RR
SIE
E C ali f
CA
GOLFO
AM
OR orn
RR
C
LIF
DE
T É i a)
Coahuila
AD
AM
OR
Monterrey
S
MÉXICO
NIA
RE
AD
PLAN
PLANICIE COSTERA
OR
RE DEL GOLFO DEL MÉXICO
ICIE C
IEN
OC SIERRA
MADRE ORIENTAL
OSTER
TA
CID
PLATO La
Galera
L
CENTRAL La
EN
A DEL
Soledad
Tlatlauquitepec
TA
ESTADO Teziutlan
G. DE
DE
L
PUEBLA
PL ATA F O R MA
CINTURÓ
M.
N VOLCÁN CINTURÓN DE
ICO TRA Hidalgo VOLCÁNICO TRANS-MEXICANO YU C ATÁ N
NS-MEX
ICANO
México
Puebla
ICE
SIE
C
TEHUA O D E
NTEPE
RRA
BEL
OC MA SIERRA
EÁ
I TS M
NO DR DE
PA ED Oaxaca
CÍF EL CHIAPAS
SUR
0 100 200 300 400 ICO AMÉRICA
A Kilómetros CENTRAL
14º
116º
Y por último,
Metros
1850
1525 FN
Depósito
1300 Colapso gravitacional
1075 T-P
lx Río Apulco
850
Hy ? T-P ?
625 Hy
400
0 0.5 1km
Figura 2. Corte esquemático del colapso afectando la formación del Jurásico Superior en la
región de La Galera y de la formación del depósito gravitacional resultante. T-P = Formación
Tamán y Pimienta (Jurasico Superior); Hy = Formación Huayacocotla (Jurásico Inferior);
FN = Falla normal.
Los deslizamientos
es una curva bien definida (la concavidad se dirige hacia lo alto) y presenta una
fuerte circularidad (Figura 3C). Cuando la formación superficial reposa sobre el
sustrato, la superficie de ruptura embona entonces con la topografía del basamen-
to, sobre todo cuando ésta es impermeable (Figura 3D).
El deslizamiento rotacional que formó el talud gravitacional La Galera, es
del tipo A (Figura 4), es decir, que afectó las capas geológicas casi horizontales a
contra buzamiento de 5°, los escombros se deslizaron rápidamente hasta el cause
del río Apulco encontrando su equilibrio.
Sustrato
Sustrato
A B
Formación
Contorno de la cavidad
superficial
de desprendimiento Superficie de ruptura
Superficie de ruptura Material de la
Material de la formación superficial
formación superficial
Formación Sustrato
superficial
C D
Figura 3. Esquemas de deslizamientos rotacionales. A. Afectando el sustrato en contra buzamiento y B. En sentido del buzamiento;
C-D. Afectando las formaciones superficiales.
Reconstitución tridimensional de un paleo-relieve. Aplicación al estudio del talud… . 205
206 . Verónica Ochoa Tejeda
A
Pequeña Escarpe principal
terraza Corona
Escarpe
Superficie de
Zona secundario
ruptura
convexa
Hueco
Cicatriz
(concava)
Frente
Masa desplazada
(convexa)
C
Superficie inicial
B
o
rech
Nueva superficie
e
co d
o
uierd
Flan
Superficie
q
co Iz
de ruptura
Flan
Superficie inicial
fosilizada
Índices morfométricos:
1. Profundidad : D/L x 100% 4. Escurrimiento plástico : Wx. / Wc
2. Dilatación : Wx. / W.c 5. Escurrimiento viscoso : Lf. / Dc.
3. Tenuidad : Lm. / L. C 6. Desplazamiento : Lr. / Lc.
Por otro lado se añaden puntos cotejados en las curvas cerradas para evitar
que se generen zonas planas; la interpolación dentro de las curvas cerradas siguen
el proceso desarrollado por Taud et al. (1999). Cabe decir que en el programa
miel4_mx.exe las zonas planas desaparecen porque este algoritmo hace una in-
terpolación en las zonas que están ubicadas entre dos curvas de altitud diferen-
te, buscando las distancias mínimas que unen un punto en estudio y estas dos
curvas. Finalmente se crean dos MDE de 2 y 4 bytes con precisiones isométricas,
ya sean en metros, decímetros, centímetros o milímetros, y con diferentes reso-
luciones del tamaño del píxel. Esto se elige según el uso y lo que se quiere extraer
del MDE.
Para decidir cuál era la resolución del MDE adecuada para hacer la reconsti-
tución del talud gravitacional, se hicieron algunos tratamientos con las imágenes
IKONOS del año 2000 (después del evento) como la aplicación de los índices de
reflectancia (NDVI, SBI), el análisis de los PRM con la ayuda de los patrones de re-
conocimiento de formas para extraer las trazas de los deslizamientos (Parrot y
Ochoa, 2008), así como también se redimensionaron las imágenes de satélite
originales, es decir, la imagen original pancromática que tenía 1 m y la multies-
pectral 4 m de resolución, se recalcularon obteniendo imágenes de 5 m tamaño
de píxel. Esto mismo se hizo con el MDE, se redimensionó el original de 25 m a
20, 10 y 5 m. Estas imágenes resultantes permitieron generar diferentes imáge-
nes de pares estereoscópicos con diferentes valores de resolución. Después, estos
9 Si se trabaja en zonas con altitudes menores a 6.5 km y con píxeles decimétricos se requiere
solamente un formato de 2 bytes. La versión del programa Newmiel.exe (Parrot y Taud, 1993)
permite generar MDE de 16 bits con extensión _m2.raw. Lo hace a partir de una imagen de
las curvas de nivel de 32 bits, con extensión _c2.raw, generada por el programa Brod_tab.
exe (Parrot, 1992).
Reconstitución tridimensional de un paleo-relieve. Aplicación al estudio del talud… . 209
di
ds
100
0 Ap
11
di
00
Ai
Ai
10 Imagen Epipolar es imagen que posee la misma orientación de la imagen de referencia del
par estéreo, con el propósito de eliminar el paralaje en Y. La obtención de la imagen epipolar
es necesaria para permitir la observación estereoscópica. Una rectificación correcta del par
estéreo realiza un remuestreo de la imagen para llevar a cabo esta orientación.
210 . Verónica Ochoa Tejeda
Punto bajo
del eje
d principal
e
Salida de la máscara B
del eje principal
Centro de la cuerda
Eje principal (curva logarítmica)
e
d
pequeña escarpe
falla terraza principal
hueco
Límite de la
zona de
simulación
o
máscara escarpe
secundario
superficie
de ruptura
extremidad
masa desplazada
(convexa)
A B
cuerda
eje central
C D
E F
tuido es más fuerte que el MDE original. Sin embargo, cuando la altitud del MDE
reconstituido es inferior que la altitud del MDE original, el volumen obtenido por
diferencia corresponde al volumen de los depósitos, sea Vd = MDEo – MDEr.
Por último, existe un tercer volumen, el cual corresponde al resultado de la
erosión del depósito. En este caso, todo valor de la diferencia entre MDEr y MDEo
calculado en las zonas cuya altitud es inferior al punto bajo Pb del plano de
deslizamiento, corresponde al volumen del material erosionado. sea Ve = MDEr –
MDEo, si la altitud del MDEr es inferior a Pb.
Los depósitos del deslizamiento rocoso se observan en ambos lados del curso
actual del río Apulco; por esta razón se pudo suponer que se formó un lago tem-
poral o presa río arriba (Figura 9), como el que se produjo en San Luis de Grijalva
(Chiapas, México) en noviembre de 2007 (Domínguez, 2008).
En el caso de los movimientos rápidos y en función de la morfología del
terreno, no es raro que las avalanchas rocosas atraviesen ríos y creen lagos de
barrera, como en el caso del avalancha rocosa de Muztagata, al este de Pamir o
como los gigantescos deslizamientos que se desencadenan en las vertientes de los
Himalayas en donde los frentes del lóbulo crean una barrera formando grandes
lagos temporales (Fort y Peulvast, 1995).
Los resultados obtenidos son los siguientes (Figura 10). El volumen des-
plazado en la zona del deslizamiento es igual a 0.153469 km3 y el de la zona de
acumulación representa 0.151967 km3; conviene aclarar que el depósito gravita-
cional está frecuentemente afectado por procesos de remoción en masa, los cuales
están sobre todo relacionados con el socavamiento del río Apulco y a su vez este
fenómeno va exponiendo las formaciones de ignimbritas subyacentes.
De hecho, el fondo actual del valle se encuentra a 760 m y la base de la
colada se sitúa entre 860 y 880 m; la curva de nivel 880 m ha sido trasladada
Lago Form
temporal? Tamá ación
n-Pim
ienta
Río Apulco
Frente
principal
214 . Verónica Ochoa Tejeda
A B
La Galera
Tacopiczacta
Apulco
316
264
211
158
105
52
A B C
0 0.5 1 km 0 0.5 1 km
Conclusión
manera más precisa los volúmenes respectivos de cada una de estas zonas y poder
establecer un balance.
El algoritmo se adapta para estudiar otros casos de procesos de remoción en
masa, ya que el punto bajo del eje principal o curva algorítmica se puede modi-
ficar tanto en profundidad como en posición sobre el eje principal. También, el
algoritmo se puede adaptar al inverso para simular un proceso de remoción en
masa, a partir de una ladera considerada como inestable y ver cuál sería la forma
del relieve resultante.
Los datos de satélites son una poderosa herramienta para monitorear los
fenómenos naturales, ya que pueden identificar las zonas afectadas en este caso
por los procesos de remoción en masa; y si aunamos la información provenien-
te de los modelos digitales de elevación, así como las diferentes simulaciones y
reconstrucciones sobre los PRM, se puede ayudar a reconstruir el sitio afectado,
actualizar la cartografía, producir mapas de la dinámica del relieve, calcular los
daños socioeconómicos y del paisaje del sitio. También, este tipo de estudios
pueden ayudar en otras disciplinas, por ejemplo en arqueología, en el recono-
cimiento de zonas arqueológicas, producciones de mapas topográficos de estos
sitios, las relaciones entre la evaluación de espacios y otras actividades culturales
o las características del ambiente, para la reconstrucción y la cartografía de los
paleo-paisajes.
Capítulo 9. Análisis de cambios con fotografías aéreas
digitales e imágenes de satélite Spot5 en la Reserva
de la Biósfera Mariposa Monarca
José López García
Departamento de Geografía Física, Instituto de Geografía
Universidad Nacional Autónoma de México
Introducción
aéreas de alta resolución, que permiten obtener resultados muy confiables (López,
2009).
La enorme desventaja del uso de imágenes para detectar cambios en un aná-
lisis bi-temporal, es que requiere de ciertas condiciones en la adquisición de éstas
lo que difícilmente se logra, y solo así se podría garantizar un coregistro de imá-
genes, como son el ángulo de toma de la imagen, paso del satélite y hora de toma
(López, 2007).
El objetivo es determinar el cambio en la densidad de cobertura forestal,
bajo una metodología híbrida, que complemente el uso de fotografías aéreas digi-
tales e imágenes Spot5, para realizar el análisis de cambios (2006-2007).
Metodología
Lmax l L
Gain = – min l .
254 255
πLld2
ρ= ,
ESUN l cos(SZ)
donde:
–2
ESUN l : irradiancia solar media en mWcm µm –1 fuera de la atmósfera.
1 N–1
x(k) = N ∑ X(j)e2πijk / N
j=0
de dos monitores, por un lado un ortomosaico de 2006 y por otro una imagen
Spot5 de 2007 (Figura 3), para lo cual fue necesario crear una máscara de los
polígonos de la Reserva. La comparación se realizó a escala 1:5 000, los cambios
se fueron digitalizando en pantalla, mediante restitución por triangulación, so-
bre el mosaico ortocorregido, con apoyo de ERDAS y usando una retícula, lo que
permitió el análisis comparativo por cuadrantes (1 km2), ordenado de izquierda
a derecha y de arriba hacia abajo, a una escala estándar de 1:5 000, modificando
el mapa base de densidad de coberturas forestales de 2006 elaborado por fotoin-
terpretación.
Los polígonos de cambio al ser digitizados sobre la cobertura 2006, solo
permiten modificar los cambios, convirtiendo el mapa a densidades de cober-
turas forestales 2007. La simple resta de ambos mapas (2007-2006), resulta en
los polígonos de cambio en este periodo, que fueron verificados en recorridos de
campo, realizando las modificaciones pertinentes.
ANÁLISIS ANÁLISIS
COMPARATIVO COMPARATIVO
VISUAL IDENTIFICACIÓN VISUAL
DE CAMBIOS DE
03/03/2006 03/03/2006
DENSIDAD
DE COBERTURA
FORESTAL 2006-2007
ANÁLISIS
COMPARATIVO
VISUAL
Resultados
2,180,000
2,210,000
2,210,000
380,000
2,170,000
2,170,000
2,160,000
2,160,000
Michoacán
2,150,000
2,150,000
Estado de
México
Leyenda
2,140,000
2,140,000
Zona de Amortiguamiento
Zona Núcleo
Tenencia de la Tierra
Cambios 2006-2007
Por otro lado, los cambios detectados en la Propiedad Privada 3 son peque-
ños y se distribuyen en dos porciones del predio, algunos de ellos son resultado
de plagas y árboles muertos; para 2007 aparece sin arbolado, o al menos eso se
aprecia en la imagen Spot5 (Figura 7).
La zona montañosa de Crescencio Morales es una de las más húmedas de la
región y por tanto se forma alta nubosidad y en la imagen Spot5 de 2007 se apre-
cia niebla y bruma, lo que dificulta la interpretación, pero para esta parte se contó
con fotografías aéreas digitales de abril de 2007, y apoyados con la imagen Spot5
de abril de 2007, se logró hacer la separación de las áreas afectadas. Para esta zona
se utilizó interpretación comparativa de fotografías aéreas digitales de 2006 y
2007, lo que permitió afinar esta separación de cambios. Se evidencia el cambio
en el paisaje (Figuras 8 y 9).
Se comprobó que hay gran alteración de las laderas que han sido deforesta-
das, con presencia de procesos de erosivos e inestabilidad de laderas que los hacen
susceptibles a la formación de flujos de lodo bajo condiciones meteorológicas
extremas que, de continuar así, ponen en peligro a los asentamientos ubicados
en la parte baja. Es una zona de fuertes pendientes afectada frecuentemente por
incendios forestales.
Conclusión
Agradecimientos
Este trabajo recibió apoyo PAPIIT (IN305707), dentro del proyecto Evaluación
del cambio de cobertura forestal bianual con fotografías aéreas digitales en la
Reserva de la Biósfera Mariposa Monarca.
Capítulo 10. Ajustes del algoritmo AQM2008
para identificación de áreas quemadas usando
imágenes MODIS
Lilia Manzo Delgado
Laboratorio de Análisis Geoespacial, Instituto de Geografía
Universidad Nacional Autónoma de México
Introducción
Sensores utilizados
Actualmente se encuentra en órbita un buen número de satélites que ofrecen una
gama de productos para detectar las áreas quemadas. Por lo que respecta a los
Ajustes del algoritmo AQM2008 para identificación de áreas quemadas... . 237
Área en estudio
La región sureste de México, comprendida en la ventana MODIS-H09v07, incluye
en su totalidad a los estados de Chiapas y Tabasco, así como parte de Campeche
y Quintana Roo. Durante 2008, para esta zona, la CONAFOR reportó 643 incen-
dios que afectaron 29 658 ha, siendo el estado de Quintana Roo el más afectado
(17 830 ha), seguido por Chiapas (9 711 ha). A nivel nacional, ambos estados
fueron considerados entre las diez entidades con mayor superficie afectada por
incendios.
Imágenes MODIS
El producto estándar MODIS MCD43B4 se genera cada 16 días, en proyección
Sinusoidal, a partir de la combinación de los datos de los satélites Terra y Aqua,
con resolución espacial de 1 km, logrando con ello corregir efecto bidireccional y
reducir la influencia de nubes y distorsiones atmosféricas. Este producto se creó
con la finalidad de optimizar la calidad de los compuestos MODIS de 32 días. La
utilidad de los compuestos MCD43B4 para cartografiar las áreas quemadas fue
evaluada previamente frente a otros compuestos, obteniendo los mejores resulta-
dos (Opazo y Chuvieco, 2007). Debido a ello se consideró una alternativa intere-
sante para Latinoamérica, tomando como área piloto la región sureste de México.
Ajustes AQM2008
Este proceso se inició con la revisión de reportes oficiales (CONAFOR, 2008) con
la finalidad de identificar y seleccionar los incendios que hubieran presentado
superficies de afectación > 200 ha. Dicha información se utilizó para identificar
238 . Lilia Manzo Delgado
donde:
b)
Figura 1. Imágenes Landsat (path 21, row 29), composición RGB (543) donde se presenta una
zona quemada antes (9 de abril de 2008; izquierda) y después (25 de abril de 2008; derecha)
de un incendio forestal.
Ajustes del algoritmo AQM2008 para identificación de áreas quemadas... . 239
La primera fase del algoritmo discrimina los píxeles más afectados por el
fuego a partir de umbrales fijos aplicados a los índices de áreas quemadas Normal
Burn Ratio (NBR; López y Caselles, 1991) y Burned Area Index (BAI; Martín et
al., 2005).
donde:
ρ = reflectividad
NIR = infrarrojo cercano
SWIR = infrarrojo medio de onda corta
BAI = 1/(ρ c SWIR – ρ SWIR)2 + (ρ c NIR – ρ NIR)2
donde:
una ventana de 7 x 7 píxeles. Si el BAI del píxel > (BAI medio * 1.3) y además está
dentro del buffer, entonces se considera como áreas quemadas.
Proceso de evaluación
La validación se realizó con imágenes de mayor resolución espacial, particular-
mente Landsat y SPOT, previas y posteriores a los eventos, en combinación con
las estadísticas oficiales de los incendios forestales. Considerando la distribución
de los incendios y las áreas quemadas se eligieron tres imágenes al azar; sin em-
bargo, la zona en estudio, por su ubicación geográfica, presenta alta nubosidad
durante todo el año, siendo más intensa en la temporada lluviosa de junio a sep-
tiembre. Debido a ello, solo fue posible obtener dos pares de imágenes Landsat
ETM+ (http://landsat.org): Path 21 - Row 49 del 9 y 25 de abril de 2008 y Path
22 - Row 48 del 3 de marzo y del 2 de mayo de 2008. En complemento se obtuvo
un par de imágenes SPOT: K/J 604-318 del 29 de marzo y del 2 de abril de 2008.
a) b)
c) d)
Resultados
Discusión
Figura 3. Compuesto
Frecuencia de RGB (721), MODIS 16 días
Áreas Quemadas 2008
(MCD43B4A2008017) corres-
1 5 pondiente a la última semana
2 6 de enero de 2008. En tonos
3 >7 de color azul se presentan las
4
áreas quemadas identificadas
por el algoritmo AQM2008,
clasificados por su frecuencia
de ocurrencia.
superficie afectada por incendios forestales durante 2008, de las cuales menos del
10% corresponden a incendios > 300 ha. El algoritmo AQM2008 detectó varias
superficies afectadas por grandes incendios forestales, particularmente el ocurri-
do en la Reserva de El Triunfo entre el 11 y 24 de abril de 2008. Por su dimensión
(> 570 ha), dicho incendio fue identificado en las imágenes Landsat ETM+ y en
los compuestos MODIS, constituyendo un apoyo importante para ajustar y crear
el nuevo algoritmo AQM2008. Sin embargo, en el sureste de México y el resto del
país, la mayoría de los incendios afecta superficies < 300 ha. En este sentido el
algoritmo AQM2008 y el uso de compuestos MODIS - 16 días constituyen una li-
mitante para detectar áreas quemadas inferiores al umbral mínimo considerado.
Conclusión
Agradecimientos
Este trabajo forma parte de los resultados de los proyectos Red Latinoamericana
de Seguimiento y Estudio de los Recursos Naturales (SERENA), Red Latinoame-
ricana de Teledetección de Incendios Forestales (RedLatif) y OTEAR - Observa-
torio Territorial de Evaluación de Amenazas y Riesgos. Los dos primeros forman
parte del Programa Iberoamericano de Ciencia y Tecnología para el Desarrollo
(CYTED) y GOFC-GOLD; el último es un Proyecto PAPIIT (clave IN307410).
Capítulo 11. Observaciones satelitales e in situ de
un evento de marea roja en la Bahía de Navachiste,
Sinaloa, México
Raúl Aguirre Gómez
Laboratorio de Análisis Geoespacial, Instituto de Geografía
Universidad Nacional Autónoma de México
Introducción
Área en estudio
Materiales y métodos
Datos in situ
Se realizaron cuatro cruceros de muestreo en noviembre de 1999, y en enero,
marzo y abril de 2000. El último muestreo fue coincidente con el evento de
marea roja ocurrido en el periodo del 19 de abril al 5 de mayo. Las mediciones in
situ en la plataforma continental se llevaron a cabo en 25 estaciones de muestreo
(Figura 1), a tres diferentes profundidades (superficie, 2 m y fondo). Los valores
de temperatura, salinidad, pH, y oxígeno disuelto fueron medidos con un ana-
Cerro
Cabezón
Huitussi
25º30“
Navachiste
San
Ignacio
Isla
Macapule
25º15“
lizador de calidad de agua (Horiba, modelo U-10); la transparencia del agua fue
estimada con un disco Secchi; y las mediciones de profundidad se realizaron con
una eco-sonda.
Adicionalmente, se colectaron muestras de agua para analizar nutrientes
tales como amoniaco (NH4), nitratos (NO3), nitritos (NO2), fosfatos (PO4) y
silicatos (SiO3) y para determinar los sólidos suspendidos totales (SST), materia
orgánica particulada (MOP), clorofila a y fitoplancton. La colecta y el análisis de
las muestras de fitoplancton fueron realizados con el método Uthermöl. La bio-
masa fitoplanctónica fue determinada mediante la cuantificación de la clorofila a
y feo-pigmentos (Strickland y Parsons, 1972).
Observaciones satelitales
Las imágenes satelitales de color y temperatura superficial del mar fueron re-
cibidas y procesadas en el Laboratorio de Análisis Geoespacial del Instituto de
Geografía (LAGE-UNAM). Las imágenes de color obtenidas con el sensor SeaWiFS
fueron transformadas a mapas de concentración de clorofila a (+ feopigmentos)
usando el programa SeaDAS de la NASA.
2
Cloa = –0.40 + 10(0.341 – 3.001X + 2.811X – 2.041X 3),
X = log10
( Rrs(490)
Rrs(555) )
,
Por su parte, las imágenes de TSM fueron derivadas de los datos del sensor
NOAA-AVHRR aplicando el algoritmo de doble ventana (MCSST) propuesto por
McClain et al. (1985) e implementado en el sistema TERASCAN (SeaSpace Cor-
poration, ltd).
donde T11 y T12 son las temperaturas de brillo calculadas a partir de las
radiancias expresadas en grados Kelvin. TSM es la temperatura superficial del
mar calculada mediante el algoritmo MCSST y expresado en grados centígrados.
250 . Raúl Aguirre Gómez, Aída Martínez López y Diana C. Escobedo Urías
Resultados
Datos in situ
Los datos analizados del 25 de abril de 2000, tres puntos de muestreo presenta-
ron valores de concentración muy altos del alga Prorocentum minimum. Hasta la
fecha, el evento reportado en este trabajo ha sido uno de los más extendidos y con
la concentración de dinoflagelados más alta. La concentración de microalgas en
la superficie varió entre 8 600 y 9 600 células/ml, de los cuales 7 665 células/ml
correspondieron a Prorocentrum minimum, lo cual equivale a una concentración
de clorofila a entre 73 y 106.5 mg/m3, siendo la especie dominante. Esta alga es
común en estuarios y lagunas costeras y en algunos estudios han sido reportados
efectos letales en peces y moluscos, y secuelas peligrosas en seres humanos (Day
et al., 1989; Cortés y Agraz, 1994).
Prorocentrum minimum contiene pigmentos rojos que confieren una colo-
ración rojiza-caoba a las aguas costeras y estuarinas; adicionalmente se identifi-
caron tres especies potencialmente tóxicas: Pseudonitzschia cf multiseries, Pseu-
donitzschia cf australis y Dinophysis acuminata. Las dos primeras pertenecen a la
clase de las diatomeas y pueden producir toxinas amnésicas (ASP), mientras que
el dinoflagelado Dinophysis acuminata ha sido asociado con la producción de
toxinas diarreicas (DSP).
La Tabla 1 muestra los valores promedio de las variables fisicoquímicas me-
didas en la mancha de la marea roja (Figura 2).
Cerro
Cabezón
Huitussi
25º30“
Navachiste
San
Ignacio
Isla
Macapule
25º15“
(*) 13
200
11
9
150
7
100 5
NOV
DIC
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
Intensidad Dirección
252 . Raúl Aguirre Gómez, Aída Martínez López y Diana C. Escobedo Urías
una mayor resistencia a las variaciones de temperatura (Lee, 1992). Esto es parti-
cularmente cierto para el caso de Prorocentrum minimum que fue la especie do-
minante en el área. Las Figuras 4 y 5 muestran las variaciones en la TSM durante
abril de 2000.
La Figura 4a es una imagen correspondiente al 24 de abril de 2000 e ilustra
la respuesta de la TSM al esfuerzo sostenido del viento de los días previos y mues-
tra aguas relativamente frías en la zona costera sugiriendo una surgencia de aguas
profundas. Climatológicamente, en el periodo invierno-primavera la región es
dominada por vientos fríos del NO procedentes del continente. La persistencia
del viento produce la surgencia de tipo eólica. La TSM en la zona costera frente al
sistema lagunar es cercana a los 22° C (tonos azules), mientras que hacia la zona
oceánica se observa un valor promedio de la TSM de 26.5° C (tonos naranja). En
la Figura 4b se observa el gradiente térmico en el área en estudio.
Los datos in situ indican el inicio de la marea roja a partir del 25 de abril de
2000, alcanzando su máximo hacia finales de mes, coincidente con el incremento
en la TSM sobre el sistema lagunar (Figura 5a). En el mapa de la TSM de 30 de
abril (Figura 5a) es evidente la condición isotérmica de la región, promediando
una temperatura de 24° C, las variaciones mínimas alrededor de esta valor se
aprecian claramente en la Figura 5b.
Datos SeaWiFS
La imagen del sensor SeaWiFS del 20 de abril muestra valores relativamente bajos
de la concentración de clorofila a (1 - 10 mg m-3) en la región del sistema lagunar
(Figura 6). En contraste, la imagen correspondiente al 25 de abril de 2000 pre-
senta valores altos en la concentración de clorofila a, cercanos a los 64 mg m-3,
coincidiendo con el florecimiento de la marea roja (Figura 7). Es importante re-
marcar que la dominancia de Prorocentrum minimum es posible establecerla solo
con los datos in situ, la imagen de satélite no discrimina los diferentes grupos de
algas coincidiendo en el sitio.
Conclusiones
Los datos in situ sugieren que la marea roja en el sistema lagunar San Ignacio-
Navachiste-Macapule fue un fenómeno local originado por una alta concentra-
ción de nutrientes procedentes del río Sinaloa y la laguna Macapule, aunado a
Observaciones satelitales e in situ de un evento de marea roja en la Bahía de… . 253
NAVACUISTE
N AVA C H I S T E
(mg m-3 )
correspondiente al 22 de
abril de 2000.
10.00
1.00
0.10
0.01
correspondiente al 27 de
abril de 2000.
10.00
1.00
0.10
0.01
Addison, P.S. (1997), Fractal and chaos. An illustrated course, Institute of physics publis-
hing, Bristol and Philadelphia.
Aguirre Gómez, R. (2002), Los mares mexicanos a través de la percepción remota, Temas
Selectos de Geografía de México (III.1), Instituto de Geografía-UNAM, Plaza y
Valdés, México.
Aguirre Gómez, R. (2007), “Temperatura superficial del mar y concentración de clo-
rofila a”, Nuevo Atlas Nacional de México, Instituto de Geografía, UNAM, México.
Aguirre Gómez, R. (coord.; 2009), Conceptos de Geomática y estudios de caso en México,
Geografía para el siglo XXI, Serie libros de Investigación, núm. 5, Instituto de Geo-
grafía, UNAM, México.
Aguirre Gómez, R., R. Álvarez and O. Salmerón García (1999), “Red tide evolution in
the Mazatlán Baya rea from remotely sensed sea surface temperaturas”, Geofísica
Internacional, vol. 38, pp. 63-71.
Aguirre Gómez, R., O. Salmerón García and R. Álvarez (2003), “Effects of NSO off the
southwest of Mexico, 1996-1999”, Geofísica Internacional, pp. 377-388.
Álvarez, R., O. Salmerón García y R. Aguirre Gómez (2001), “Las imágenes de satélite
ayudaron a evaluar los efectos de El Niño Oscilación del Sur en el Pacífico mexicano,
en el periodo 1997-1998”, Los efectos del fenómeno El Niño en México 1997-1998,
CONACYT, México.
Anderson, A. N., A. B. McBratney and E. A. FitzPatrick (1996), “Soil mass, surface and
spectral dimensions estimates from thin section photograph”, Soil Science Society
American Journal, no. 60, pp. 962-969.
Anderson, A. N., A. B. McBratney and J. W. Crawford (1998), “Applications of fractal to
soil studies”, in Sparks, D.L. (ed.), Advances in Agronomy, no. 63, Academic Press,
pp. 2-76.
Andrle, R. F. (1964), A biogeographical investigation of the Sierra de Tuxtlas in Veracruz,
Mexico, Phd Thesis, Louisiana State University, Baton Rouge.
Angeli, M. G., A. Pasuto and S. Silvano (2000), “A critical review of landslide monito-
ring experiences”, Engineering Geology, vol. 55, pp. 133-147.
Archarya, G., T. Cochrane, T. Davies and E. Bowman (2011), “Quantifying and mo-
deling pos-failure yields from laboratory-scale soil erosion and shallow landslide
experiments with silty loess”, Geomorphology.
258 . Bibliografía
Chen, J., P. J. Gong, C. He, R. Pu and P. Shi (2003), “Land use/cover change detection
using improved change vector analysis”, Photogrammetric Engineering and Remote
Sensing, vol. 69, no. 4, pp. 369-379.
Chinnayakanahalli, K., D. G. Tarboton and R. T. Pack (2003), “An objective method
for the intercomparison of terrain stability models”, Eos Transaction, American
Geophysical Union 84 (46) (Fall Meeting. Suppl., Abstract H31C-0480).
Chunyang, H. and X. Dingyong (2008), “Improving the Normalized Difference Built-
up Index to map urban build-up areas by using a semiautomatic segmentation ap-
proach”, IEEE International Geoscience and Remote Sensing Symposium [http://www.
igarss2008.org/Abstracts/pdfs/2871.pdf].
Chuvieco, E., S. Opazo, W. Sione, H. Del Valle, J. Anaya, C. Di Bella, I. Cruz I., L.
Manzo, G. López, N. Marí, F. González, F. Morelli, A. Setter, I. Csiszar, J. Kar-
pandegui, A. Bastarrika and R. Libonati (2008), “Global burned land estimation
in Latin America using Modis Composite Data”, Ecological Applications, no. 18,
pp. 64-79.
Clerici, A., S. Perego, C. Tellini and P. Vescovi (2002), “A procedure for landslide sus-
ceptibility zonation by the conditional analysis method”, Geomorphology, no. 48,
pp. 349-364.
Cole, J. and C. Villacastin (2000), “Sa surface variability in the northern Benguela upwe-
lling system, and implicatuions for fisheries research”, J. Remote Sensing, vol. 21,
pp. 1597-1617.
Collet, B., J.-F. Parrot and H. Taud (2000), “Orientation of absolute African plate mo-
tion revealed by tomomorphometric analysis of the Ethiopian dome”, Geology, vol.
28, no. 2, pp. 1147-1149.
CONAFOR (2008), Reportes de incendios 2008, Comisión Nacional Forestal, México
[http://www.conafor.gob.mx/programas_nacionales forestales/incendios/index.
html].
CONAGUA (2010), Nivelación de Precisión del Valle de México, Zona Lago de Texcoco,
2006, Zona Valle de Chalco, Comisión Nacional del Agua, Estado de México.
Cortés, R. y C. M. Agraz (1994), Presencia de Prorocentrum minimum (Pav) schiller en estan-
ques para cultivo de camarón, Universidad Autónoma de Sinaloa, núm. 13, pp. 11-16.
Crozier, M. J. (1973), “Techniques for the morphometric analysis of landslips”, Zeits-
chrift fur Geomorphologie, vol. 17, no. 1, pp. 78-101.
Dai, F. C., C. F. Lee and Y. Y. Ngai (2002), “Landslide risk assessment and manage-
ment: an overview”, Engineering Geology, no. 64, pp. 65-87.
Day, J. W., C. A. S. Hall, W. M. Kemp and A. Yáñez Arancibia (1989), Estuarine Ecology,
Wiley, New York.
Deb, S. K. and A. I. El-Kadi (2009), “Susceptibility assessment of shallow landslides
on Oahu, Hawaii, under extreme-rainfall events”, J. of Geomorphology, no. 108,
pp. 219-233.
Bibliografía . 261
Gárate Lizárraga, I. y L. A. Martínez (1997), “Primer registro de una marea roja de Pro-
rocentrum mexicanum (Prorocentaceae) en aguas del Golfo de California”, Revista
de Biología Tropical, núm. 45, pp. 1263-1271.
Giron, B. A., B. A. Millsap, K. W. Cline and D. M. Bird (eds.; 1987), Raptor Manage-
ment Techniques Manual, National Wildlife Federation, Washington, D.C.
Gobierno del Estado de Veracruz (1991), Los Tuxtlas: propuesta para su conservación y
desarrollo integral, México.
González, C. (2002), “Pigmentos fotosintéticos” [http://www.botanica.cnba.uba.ar/
Trabprac/Tp6/Pigmentos.htm; consultado 16 de marzo de 2009].
González Díez, A., J. Remondo, J. R. Díaz de Terán and A. Cendrero (1999), “A
methodological approach for the analysis of the temporal occurrence and trigge-
ring factors of landslides”, Geomorphology, no. 30, pp. 95-113.
González Silvera, A. (2004), “Satellite observations of mesoscale eddies in the Gulfs of
Tehuantepec and Papagayo (Eastern Tropical Pacific)”, Deep-Sea Research, Elsevier,
pp. 587-600.
Gorte, B. G. H. and W. Koolhoven (1990), “Interpolation between isolines based on the
Borgefors distance transform”, ITC Journal, no. 3, pp. 245-247.
Guzzetti, F., A. Carrara, M. Cardinali and P. Reichenbach (1999), “Landslide hazard
evaluation: a review of current techniques and their application in a multi-scale
study, Central Italy”, Geomorphology, no. 31, pp. 181-216.
Guzzetti, F., B. D. Malamud, D. L. Turcotte and P. Reichenbach (2002), “Power-law
correlations of landslide areas in central Italy”, Earth and Planetary Science Letters,
no. 195, pp. 169-183.
Graf Montero, S., E. Santana, E. J. Peláez y B. F. Benz (1995), “La reserva de la biosfera
Sierra de Manantlán: un balance de ocho años de gestión”, Revista Universidad de
Guadalajara, “Conservación Biológica en México”, México.
Graham, R.W. and J. P. Mills (2000), “Small format digital cameras for aerial survey:
where are we now?”, Photogrammetric Record, vol. 16, no. 96, pp. 905-909.
GRASS Development Team (2012), Geographic Resources Analysis Support System (GRASS),
GNU (General Public License. http://grass.osgeo.org).
Hagan, J. M. and D. W. Johnston (eds.; 1992), Ecology and Conservation of Neotropical
Migrant Landbirds, Smithsonian, Washington, D.C.
Hammond, C., D. Hall, S. Miller and P. Swetik (1992), Level I Stability Analysis (LISA)
documentation for version 2.0, General Technical Report INT-285, US Department
of Agriculture, Forest Service, Intermountain Research Station, Ogden, UT.
Hansen, M., R. DeFries, J. R. Townshend, M. Carroll, C. Dimiceli and R. Sohl-
berg (2004), 500m MODIS Vegetation Continuous Field, University of Maryland,
Maryland [http://glcf.umiacs.umd.edu/data/modis/ (consultado 10 de septiembre
2009)].
264 . Bibliografía
Hashimoto T., M. Takagi, K. Kajiwara and Ch. Fujino (eds.; 1993), Remote Sensing
Note, Japan Association on Remote Sensing, Nihon Printing Co., Chiyodaku, To-
kio, Japan.
HEC-RAS (2011), US Army Corps of Engineers, Hydrologic Engineering Center River
Analysis System.
Hedrick, P. W. and P. S. Miller (1992), “Conservation genetics: techniques and funda-
mentals”, Ecological Applications, vol. 2, no. 1, pp. 30-46.
Hengl, T. (2006), “Finding the right pixel size”, Computers and Geosciences, no. 32,
pp. 1283-1298.
Heopffner, N. (2008), “Biogeochemical cycles”, Why Ocean Colour? The Societal Benefits
of Ocean-Colour Technology, IOCCG.
Hernández, A. (2003), Corrección geométrica de imágenes aéreas digitales, tesis de Licencia-
tura (Ingeniería en Computación), Facultad de Ingeniería, UNAM, México, pp. 1-94.
Hernández Gil, R. (2002), [http:forest.ula.ve/˜rebenhg; 8 de julio].
Herrera Silvera, J. A. (1994), “Correlaciones de parámetros hidrobiológicos de la Lagu-
na de Celestúm, Yucatán”, Anuario del Instituto de Ciencias del Mar y Limnología,
UNAM, México, vol. 21, no. 1-2, pp. 43-53.
Herron, R. C., T. D. Leming and J. Li (1989), “Satellite detected fronts and butterfish
aggregations in the northeastern Gulf of Mexico”, Continental Shelf Research, vol. 9,
no. 6, pp. 569-588.
Hoepffner, N. et al. (2008), “Biogeochemical cycles”, Why Ocean Colour?, The Societal
Benefits of Ocean-Colour technology, IOCCG.
Howard, J. A. (1991), Remote sensing of forest resources. Theory and application, Chap-
man & Hall, London.
Howell, S. N. G. and S. Webb (1995), A guide to the birds of Mexico and Northern Central
America, Oxford University Press.
Hui-Sheng, H. and F. Li-Min (2010), “Gyro-stabilized platform design for airborne pod
based on Elmo digital servo controller”, Electronic Design Engineering, 2010-10.
Hurst, H. E. (1951), “Long-term storage capacity of reservoirs”, Transactions of the Ame-
rican Society of Civil Engineering, no. 116, pp. 770-799.
Hutchinson, J. N. (1988), “General report morphological and geotechnical parameters
of landslides in relation to Geology and Hydrology”, in Bornnard, C. (ed.), Pro-
ceedings of the Fifth International Symposium on Landslides, A. A. Balkema, Rotter-
dam, Netherland, no. 1, pp. 3-35.
Ibarra Manríquez, G. y S. Sinaca (1987), Listados florísticos de México VII. Estación de
Biología Tropical Los Tuxtlas, Veracruz, Instituto de Biología, UNAM, México.
INE (1993), “Sierra de Santa Marta”, encuesta en Gómez Pompa, A. y R. Dirzo et al.
(comps.), Proyecto de evaluación de áreas naturales protegidas de México, SEDESOL.
México.
Bibliografía . 265
Mee, L. D., M. Espinosa and G. Díaz (1986), “Paralytic shellfish poisoning with a Gym-
nodinium catenatum red tide on the Pacific coast of Mexico”, Marine Environmen-
tal Research, no. 19, pp. 77-92.
Meisina, C. and S. Scarabelli (2007), “A comparative analysis of terrain stability models for
predicting shallow landslides in colluvial soils”, Geomorphology, no. 87, pp. 207-223.
Menard, S. (2002), Applied logistic regression analysis, second ed., Sage Publications,
Thousand Oaks, CA.
Metternicht, G., L. Hurni and R. Gogu (2005), “Remote sensing of landslides: an analy-
sis of the potential contribution to geo-spatial systems for hazard assessment in
mountainous environments”, Remote Sensing of Environment, no. 98, pp. 284-303.
Miles, S. B. and C. L. Ho (1999), “Rigorous landslide hazard zonation using Newmark’s
method and stochastic ground motion simulation”, Soil Dynamics and Earthquake
Engineering, no. 18, pp. 305-323.
Mills, J. P., I. Newton and R. W. Graham (1996), “Aerial photography for survey purpo-
ses with a high resolution, small format, digital camera”, Photogrammetric Record,
October, vol. 15, no. 88, pp. 575-587.
Miranda Martínez, M. E., K. Oleschko, J.-F. Parrot, F. Castrejón Vacio, H. Taud y F. Bram-
bila Paz (2006), “Porosidad de los yacimientos naturalmente fracturados: una clasifi-
cación fractal”, Revista Mexicana de Ciencias Geológicas, vol. 23, núm. 2, pp. 199-214.
Montgomery, D. R. and W. E. Dietrich (1994), “A physical based model for the topogra-
phic control on shallow landslides”, Water Resources Research, no. 30, pp. 1153-1171.
Morgan, M. (2004), Epipolar resampling of linear array scanners scenes, Ph.D Thesis,
University of Calgary.
Morrissey, M. M., G. F. Wieczorek and B. A. Morgan (2001), A comparative analysis of
hazard models for predicting debris flows in Madison County, Virginia, US Geological
Survey Open-File Report 01-0067 [/http://pubs.usgs.gov/of/2001/ofr-01-0067/ofr-
01-0067.htmlS].
Mooser, F. (1972), “The Mexican volcanic belt: structure and tectonics”, Geofis. Int., no. 12,
pp. 55-70.
Muñoz, P., S. Avaria y M. Farías (1991), “Uso de información satélite en el estudio de un
nuevo fenómeno de marea roja en la Bahía de Valparaíso, Chile”, Revista de Biología
Marina, Valparaíso, vol. 26, núm. 2, pp. 415-435.
NASA (2011), Earth Observatory [http://earthobservatory.nasa.gov/Features/Measurin-
gVegetation/measuring_vegetation_2.php (con acceso en enero de 2011)].
Navarro Olache, L. F., M. F. Lavín and A. Z. Álvarez Sánchez (2004), “Internal
structure of SST features in the central Gulf of California”, Deep-Sea Research Part
II, Elsevier, pp. 673-687.
Neumann, K. J. (2005), Digital Aerial Cameras. Intergraph Z/I Deutschland GMBH,
pp. 1-5 [http://icaci.org/documents/ICC_proceedings/ICC2009/html/non-
ref/1_6.pdf (acceso: enero de 2012)].
Newton, I. (2000), Birds of Prey, Weldon Owen Inc., reprint edition.
Bibliografía . 269
Society for Photogrammetry and Remote Sensing (ASPRS), Terre Haute, Indiana,
May 15-17.
Pereira, J. M. C., A. C. L. Sá, A. M. O. Sousa and J. M. N. Silva (1999), “Spectral cha-
racterization and discrimination of burnt areas”, in Chuvieco, E. (ed.), Remote sen-
sing of large wildfires in the European Mediterranean Basin, Springer, pp. 123-138.
Pérez Higareda, G., R. C. Vogt y O. Flores Villela (1987), Lista anotada de los anfibios y
reptiles de la región de Los Tuxtlas, Veracruz, Instituto de Biología, UNAM, México.
Peterson, R. T. y E. L. Chalif (1998), Aves de México. Guía de campo: identificación de
todas las especies encontradas en México, Guatemala, Belice y El Salvador, 3ª. reimp.,
Diana, México.
Philip, G., D. Donoghue, A. Beck and N. Galiatsatos. (2002), “CORONA satellite pho-
tography: an archaeological application from the Middle East”, Antiquity, no. 76,
pp. 109-18.
PhotoShop CS5 (2012), Adobe PhotoShop CS5 [http://www.adobe.com/products/creati-
vesuite.html (con acceso en enero de 2012)].
Pouliot, D. A. and D. J. King (2005), “Approaches for optimal automated tree crown
detection in young regenerating coniferous forest”, Canadian Journal of Remote
Sensing, no. 31, pp. 256-267.
Prado Molina, J., G. Bisiacchi, J. L. Palacio Prieto, A. Peralta Higuera, J. M. Becerril,
M. Rodríguez, R. Bermúdez y U. Martínez (2000a), “Sistema de adquisición de
imágenes aéreas digitales de alta resolución”, SOMI XV Congreso Nacional de Instru-
mentación, Guadalajara, Jalisco, México, octubre 16-20, pp. 1-6 [CD].
Prado Molina, J., G. Bisiacchi, J. M. Becerril y M. Rodríguez (2000b), “Implementación
de un sistema de navegación inercial para orientación y control de una plataforma
aérea”, SOMI XV Congreso Nacional de Instrumentación, Guadalajara, Jalisco, Méxi-
co, octubre 16-20, pp. 1-8 [CD].
Prado Molina, J., A. Hernández and A. Peralta Higuera (2003), “Small-format camera
calibration and geometric distortion removal in digital aerial images”, Proceedings
of the ASPRS 19th Biennial Workshop on Color Photography, Videography and Airbor-
ne Imaging for Resource Assessment, October 6-8, Logan, Utah (American Society
for Photogrammetry and Remote Sensing, Bethesda, Maryland), [CD-ROM].
Prado Molina, J. y A. Peralta Higuera (2005), “Diagnosis and delimitation of a natural
protected area using high-resolution multispectral images”, 20th Biennial Workshop
on Color Photography, Videography and High Resolution Digital Imagery for Resource
Assessment, American Society for Photogrammetry and Remote Sensing (ASPRS),
Weslaco, Texas, October 4-6, pp. 1-8 [CD].
Prado Molina, J., A. Peralta Higuera, J. L. Palacio Prieto and R. Sandoval (2006), “Air-
borne high-resolution digital imaging system”, Journal of Applied Research and Te-
chnology, vol. 4, no. 1, pp. 3-23.
274 . Bibliografía
Prado Molina, J., A. Peralta Higuera, G. Galindo and L. A. Olvera (2007), “The use of
color and near-infrared images acquired with small-format digital cameras in the
identification of sites affected by pests over a large area in San Luis Potosí, Mexi-
co”, 21st Biennial Workshop on Aerial Photography, Videography and High Resolution
Digital Imagery for Resource Assessment, American Society for Photogrammetry and
Remote Sensing (ASPRS), Terre Haute, Indiana, May 15-17.
Prado Molina, J., J. A. Quintero Pérez, A. R. Rosales, A. Peralta Higuera, M. A. Ra-
mírez y M. Zamora (2012), “Elaboración de cartas aeronáuticas OACI: planos de
obstáculos de aeródromo, a partir de imágenes aéreas digitales de alta resolución”,
Investigaciones Geográficas, Boletín, núm. 79, Instituto de Geografía, UNAM, Mé-
xico, pp. 75-96.
Prado Molina, J., A. Peralta Higuera, J. L. Palacio Prieto and R. Sandoval (2006), “Air-
borne high-resolution digital imaging system”, Journal of Applied Research and Te-
chnology, vol. 4, no. 1, pp. 3-23.
Prado Molina, J., A. Peralta Higuera, G. Galindo and L. A. Olvera (2007), “The use of
color and near-infrared images acquired with small-format digital cameras in the
identification of sites affected by pests over a large area in San Luis Potosí, Mexi-
co”, 21st Biennial Workshop on Aerial Photography, Videography and High Resolution
Digital Imagery for Resource Assessment, American Society for Photogrammetry and
Remote Sensing (ASPRS), Terre Haute, Indiana, May 15-17.
Prado Molina, J., A. Peralta Higuera y J. López García (2008), “Utilización de imágenes
aéreas digitales de pequeño formato para la evaluación de desastres”, XIII Simposio
de la Sociedad Latinoamericana de Percepción Remota y Sistemas de Información Es-
pacial, La Habana, Cuba, septiembre 22-26, pp. 1-8.
Pratt, W. K. (1978), Digital image processing, Wiley, New-York.
Preston, C. R. and R. B. Beane (1993), Diurnal raptor species occurence and distribution
in relation to human activity and other factors at Rocky Mountain Arsenal, Colorado,
Department of Zoology, Denver Museum of Natural History.
PTlens (2012) [http://epaperpress.com/ptlens/].
Qin, S., J. J. Jiao and S. Wang (2002a), “A nonlinear dynamical model of landslide evo-
lution”, Geomorphology, no. 43, pp. 77-85.
Qin, S., J. J. Jiao, S. Wang and H. Long (2002b), “A nonlinear catastrophe model of
instability of planar-slip slope and chaotic dynamical mechanisms of its evolutio-
nary process”, International Journal of Solids and Structures, no. 38, pp. 8093-8109.
Ralls, K. and J. D. Ballou (eds.; 1986), “Proceedings of the workshop on genetic mana-
gement of captive populations”, Zoo Biology, vol. 5, no. 2.
Ramírez, M. A. (2011), Adquisición de imágenes aéreas digitales su procesamiento, aprove-
chamiento a través de fotografía digital y herramientas SIG, Informe académico por
actividad profesional, Licenciatura en Geografía, Facultad de Filosofía y Letras,
UNAM, pp. 1-65.
Bibliografía . 275
Ramos, M. A. (1985), “Endangered tropical birds in Mexico and northern Central Ame-
rica”, in Diamond, A. W. and T. E. Lovejoy (eds.), Conservation of tropical forest
birds, ICBP Technical Publication No. 4, pp. 305-318.
Richard, J. F. et N. L. Beroutchachvili (1996), “Vers l’élaboration d’un système
d’information sur les paysages du monde” / “Towards the development of an infor-
mation system on the landscapes of the world”, Cahiers des Sciences Humaines de
l’Orstom, Paris, vol. 32, no. 4, pp. 823-842.
Richards, J. A. and X. Jia (2005), Remote sensing digital image analysis, Springer Verlag,
Berlín (4th edition).
Richards, J. and X. Jia (2006), Remote sensing digital image analysis, 4th edition, Springer.
Riley J. P. y R. Chester (1989), Introducción a la Química Marina”, AGT Editor.
Robinson, I. S. (1985), Satellite Oceanography. An introduction for oceanographers and
remote sensing scientists, Ellis Horwood Press, John Wiley, p. 455.
Robinson, J. M. (1991), “Fire from space: global fire evalution using infrared remote
sensing”, International Journal of Remote Sensing, no. 12, pp. 3-24.
Roy, D., P. E. Lewis and C. O. Justice (2002), “Burned area mapping using multi-
temporal moderate spatial resolution date-a bi-directional reflectance model-based
expectation approach”, Remote Sensing of Environment, no. 83, pp. 263-286.
Ruiz Luna, A. y G. de la Lanza Espino (1999), Sistemas rurales de producción camaroní-
cola en Guasave, Sinaloa y norte de Nayarit (descripción física, entorno y ubicación),
CIAD-IBUNAM.
Salmerón García O. (2009), “La producción pesquera en el Golfo de México y su re-
lación con los procesos oceanográficos a partir de datos satelitales”, en Aguirre
Gómez, R. (coord.), Conceptos de Geomática y estudios de caso en México, Geografía
para el siglo XXI (Serie Libros de Investigación, núm. 5), Instituto de Geografía,
UNAM, México, pp. 315-330.
Salmerón Garcia, O. (2010), “Regionalization of the Gulf of Mexico from space-time
chlorophyll-a concentration variability”, Ocean Dynamics.
Santamaría del Ángel, E., S. Álvarez Borrego and F. E. Müeller Karger (1994), “The
1982-1984 El Niño in the Gulf of California as seen in the coastal zone color scan-
ner imagery”, Journal of Geophysical Research, no. 99, pp. 7423-7431.
Savanah Simulations (2010), Flood Area software.
SeaSpace (1999), Terascan Reference Manual.
SeaSpace Corporation (2009), SeaSpae [http://www.seaspace.com/technical/html/
man7/nitpix.html].
Selby, M. J. (1993), Hillslope materials and process, Oxford University Press, Oxford.
Schonewald Cox, C. M., S. M. Chambers, B. MacBryde and L. Thomas (eds.; 2004),
Genetics and conservation, The Blackburn Press.
Schmeiser, B. W. (1990), “Simulation methods”, in Heyman, D. P. and M. J. Sobel
(eds.), Stochastic Models, North Holland.
276 . Bibliografía
Serra, J. (1982), Image Analysis and Mathematical Morphology (vol. 1), Academic Press,
London.
Serra, J. (1988), Image Analysis and Mathematical Morphology (vol. 2): Theoretical Ad-
vances, Academic Press, London.
Sevanez, H. N., L. Forman and G. Alves (1988), “Comparative chromosome morpholo-
gy in three callitrichid genera: Cebuella, Callithrix and Leontopithecus”, Journal of
Heredity, no. 79, pp. 131-134.
Sugumaran, R., M. K. Pavuluri and D. Zerr (2003), “The use of high-resolution ima-
gery for identification of urban climax forest species using traditional and rule-
based classification approach”, IEEE Transactions on Geoscience and Remote Sensing,
vol 41, no. 9, pp. 1933-1939.
Simon, A., A. Curini, S. E. Darby and E. J. Langendoen (2000), “Bank and near-bank
processes in an incised channel”, Geomorphology, no. 35, pp. 193-217.
Simon, A. and A. J. C. Collison (2002), “Quantifying the mechanical and hydrologic
effects of riparian vegetation on streambank stability”, Earth Surface Processes and
Landforms Earth Surf, Process, Landforms, no. 27, pp. 527-546.
Smith, R. N., S. H. Anderson, S. L. Cain and J. R. Dunk (2003), “Habitat and nest-
site use by red-tailed hawks in Northwestern Wyoming”, The Journal of Raptor
Research, vol. 37, no. 3, pp. 219-227.
SMN (2010), Precipitación pluvial diaria de la estación climatológica Chalco, 1961-2008,
Servicio Meteorológico Nacional, México.
Soulé, M. E. (ed.; 1986), Conservation biology: the science of scarcity and diversity, Sinauer,
Sunderland, Massachussetts, USA.
Soulé, M. E. (ed.; 1987), Viable populations, Cambridge University Press, Cambridge,
England.
Soulé, M. E. and K. A. Kohm (eds.; 1989), Research priorities for conservation biology,
Island Press, Washington, D.C.
Stangel, P. W., M. R. Lennartz and M. H. Smith (1992), “Genetic variation and popu-
lation structure of red-cockadaed woodpeckers”, Conservation Biology, vol. 6, no. 2.
Stotz, D. F., J. W. Fitzpatrick, T. A. Parker III and D. K. Moskovits (1996), Neotropical
Birds: Ecology and Conservation, The University of Chicago Press, Chicago and
London.
Strickland, J. D. and T. R. Parsons (1972), “A practical handbook of seawater analysis”,
Fisheries Research Bulletin of Canada, 2nd edition.
Taud, H., J.-F. Parrot and R. Álvarez (1999), “DTM generation by contour line dila-
tion”, Computer and Geosciences, no. 25, pp. 775-783.
Terborgh, J. and B. Winter (1980), “Some causes of extinction”, in Soule, M. E. and
B. A. Wilcox (eds.), Conservation Biology: an evolutionary-ecological perspective,
Sinauer, Sunderland, Massachusett, pp. 119-134.
Tobutt, D. C. (1982), “Monte Carlo simulation methods for slope stability”, Computers
and Geosciences, no. 8, pp. 199-208.
Bibliografía . 277